UNet 改进(11)：结合Inception模块和CBAM注意力机制

已于 2025-04-17 09:40:49 修改
阅读量473 收藏
点赞数 12
分类专栏： Unet 模型改进 文章标签： 深度学习 计算机视觉 人工智能
于 2025-04-16 07:30:00 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2401_82355416/article/details/147257147
版权

在计算机视觉领域，UNet因其优异的性能在图像分割任务中广受欢迎。

本文将详细介绍一个改进版的UNet架构，它融合了Inception模块和CBAM（Convolutional Block Attention Module）注意力机制，显著提升了模型的特征提取能力。

架构概述

这个改进的UNet架构名为UNetWithInceptionCBAM，主要包含以下几个关键组件：

  1. 基础双卷积模块：标准的UNet卷积块

  2. Inception模块：多尺度特征提取

  3. CBAM注意力机制：通道和空间注意力

  4. 下采样和上采样路径：标准的UNet结构

核心组件详解

1. CBAM注意力模块

CBAM（Convolutional Block Attention M

了解本专栏 订阅专栏 解锁全文
UNet 改进(3)：CBAM模块的融合创新
2401_82355416的博客
04-07 582
CBAM模块可以灵活地添加到网络的不同位置，本实现选择在初始卷积后添加，既提升了性能又不过度增加计算负担。UNet_CBAM通过集成注意力机制，使网络能够自动聚焦于图像中最相关的区域和特征通道，从而提升了分割性能。然而，传统的UNet在处理复杂场景时，对所有空间位置和通道特征一视同仁，这可能导致对重要特征的关注不足。在实际应用中，特别是在医学图像分析等需要精确分割的场景中，UNet_CBAM展现出了优异的性能。：CBAM添加的计算量很小，却能带来显著的性能提升，具有很好的性价比。
【计算机视觉】基于UNet与Inception模块及CBAM注意力机制的图像分割模型设计
最新发布
04-15
内容概要：本文介绍了一种改进的U-Net神经网络架构——UNetWithInceptionCBAM。该模型融合了Inception模块和CBAM（通道注意力机制和空间注意力机制），增强了对图像特征的捕捉能力。具体来说，Inception模块通过多尺度卷积提取不同尺度的特征，而CBAM则通过对通道和空间维度进行加权，突出重要特征并抑制不重要的特征。网络由编码器（下采样路径）和解码器（上采样路径）组成，每个阶段都包含了DoubleConv或InceptionModule，并应用CBAM进行特征增强。最终通过OutConv输出预测结果。; 适合人群：具备深度学习基础知识，尤其是熟悉PyTorch框架和卷积神经网络的科研人员和工程师。; 使用场景及目标：①医学影像分割任务，如CT、MRI等图像的病变区域检测；②遥感图像处理，如土地覆盖分类、目标检测等；③自然图像分割，如自动驾驶中的道路分割、行人检测等。; 阅读建议：本文提供了详细的代码实现，建议读者在理解U-Net基本原理的基础上，逐步研究Inception模块和CBAM的作用，结合实际数据集进行实验，观察不同组件对模型性能的影响。同时，可以尝试调整参数（如reduction_ratio、kernel_size等），以优化模型效果。
UNet 改进(1)：使用Squeeze-and-Excitation模块增强
2401_82355416的博客
04-06 188
在图像分割领域，UNet以其经典的编码器-解码器结构和跳跃连接而闻名。今天将介绍一种改进版的UNet——UNet_SE，它在传统UNet基础上引入了Squeeze-and-Excitation(SE)模块。能够自适应地重新校准通道特征响应，从而提升网络性能。UNet_SE网络结构：UNet_SE保留了传统UNet的基本架构，但在关键位置加入了SE模块。: 通过全局平均池化将空间特征压缩为一个通道描述符: 使用两个全连接层学习通道间的非线性关系: 将学习到的权重应用于原始特征图网络特点。
U-Net网络模型改进（添加通道与空间注意力机制）---亲测有效，指标提升
weixin_40641178的博客
11-05 1934
这一段时间做项目用到了模型，但是原始的U-Net网络还有很大的改良空间，在卷积下采样的过程中加入了通道注意力和空间注意力网络模型结合之后代码。
计算机视觉——基于改进UNet图像增强算法实现
知来者逆的博客
05-12 3826
在低光照条件下进行成像非常具有挑战性，因为光子计数低且存在噪声。高ISO可以用来增加亮度，但它也会放大噪声。后处理，如缩放或直方图拉伸可以应用，但这并不能解决由于光子计数低导致的低信噪比（SNR）。短曝光图像受到噪声的影响，而长曝光可能会引起模糊，通常也不切实际。已经提出了各种去噪、去模糊和增强技术，但在极端条件下，如夜间视频速率成像，它们的有效性是有限的。有物理手段可以增加低光照下的SNR，包括打开光圈、延长曝光时间以及使用闪光灯。
尝试在UNet添加SK模块和CBAM模块
qq_45981086的博客
05-28 6777
尝试在UNet添加SK模块和CBAM模块
Unet 改进：融合CBAM模块代替特征提取
Henry的博客
02-04 1809
CBAM模块主要由两个子模块组成：通道注意力模块（Channel Attention Module）和空间注意力模块（Spatial Attention Module）。这两个子模块以串行的方式连接，即先通过通道注意力模块对输入特征图的通道进行加权，然后再通过空间注意力模块对加权后的特征图的空间位置进行加权。在语义分割任务中，CBAM模块可以嵌入到分割网络的解码器中，以提高分割精度。综上所述，CBAM模块是一种有效的注意力机制模块，它通过结合通道注意力和空间注意力两个维度来增强模型对重要特征的关注度。
UNet_InceptionV1_train_test.prototxt
11-25
UNet_InceptionV1网络结构，caffe prototxt，用于语义分割任务，计算量较小
Unet改进50：在不同位置添加InceptionDWConv2d|保持大感受野的同时，显著提升了模型的计算效率
AIcurator的博客
10-01 495
受ViTs远程建模能力的启发，大核卷积最近被广泛研究和采用，以扩大接受野和提高模型性能，如使用7×7深度卷积的出色工作ConvNeXt。虽然这种深度运算只消耗少量的FLOPs，但由于较高的内存访问成本，很大程度上损害了模型在功能强大的计算设备上的效率。例如，ConvNeXt-T具有与ResNet-50相似的FLOPs，但在A100 gpu上进行全精度训练时只能达到60%的吞吐量。虽然减小ConvNeXt的内核大小可以提高速度，但它会导致显著的性能下降。
Unet++改进50：在不同位置添加InceptionDWConv2d|保持大感受野的同时，显著提升了模型的计算效率
AIcurator的博客
12-04 240
受ViTs远程建模能力的启发，大核卷积最近被广泛研究和采用，以扩大接受野和提高模型性能，如使用7×7深度卷积的出色工作ConvNeXt。虽然这种深度运算只消耗少量的FLOPs，但由于较高的内存访问成本，很大程度上损害了模型在功能强大的计算设备上的效率。例如，ConvNeXt-T具有与ResNet-50相似的FLOPs，但在A100 gpu上进行全精度训练时只能达到60%的吞吐量。虽然减小ConvNeXt的内核大小可以提高速度，但它会导致显著的性能下降。
各种用于图像分割的Unet模型的实现-Unet，RCNN-Unet，Attention Unet，RCNN-Attention Unet，嵌套Unet-Python开发
05-25
各种Unet模型用于图像分割的实现-Unet，RCNN-Unet，注意力Unet，RCNN-Attention Unet，嵌套式Unet细分Unet细分-Pytorch-Nest-of-Unets各种Unet模型用于图像分割的实现UNet- U-Net：用于生物医学图像分割的卷积网络https://arxiv.org/abs/1505.04597 RCNN-UNet-基于U-Net的递归残差卷积神经网络（R2U-Net）用于医学图像分割https：// arxiv。 org / abs / 1802.06955 Attention Unet-Attention U-Net：学习在哪里寻找胰腺https://arxiv.org/abs/1804.03999 RCNN-Attentio
《YOLOv8魔术师》专栏介绍 & CSDN独家改进创新实战&专栏目录
热门推荐
07-03 1万+
Yolov8魔术师，独家首发创新（原创），持续更新，适用于Yolov5、Yolov7、Yolov8等各个Yolo系列，专栏文章提供每一步步骤和源码，轻松带你上手魔改网络
深度学习论文精读[5]：Attention UNet
weixin_37737254的博客
07-18 6465
以CNN为基础的编解码结构在图像分割上展现出了卓越的效果，尤其是医学图像的自动分割上。但一些研究认为以往的FCN和UNet等分割网络存在计算资源和模型参数的过度和重复使用，例如相似的低层次特征被级联内的所有网络重复提取。针对这类普遍性的问题，相关研究提出了给UNet添加注意力门控（Attention Gates, AGs）的方法，形成一个新的图像分割网络结构：Attent...
unet论文_注意力医学分割：Attention U-Net论文笔记
weixin_39614262的博客
12-11 3703
Attention U-Net原文：Attention U-Net:Learning Where to Look for the Pancreas [Cited by 440]论文链接: https://arxiv.org/abs/1804.03999pytorch official code: https://github.com/ozan-oktay/Attention-Gated-Netw...
SA-UNet：用于视网膜血管分割的空间注意力UNet
weixin_43921949的博客
12-18 4656
SAUNet
unet各模块内容的理解（包含注意力机制、残差、以及数据维度的变化）
m0_52985451的博客
03-17 5150
对unet的各模块内容进行梳理，包括各模块的设计，以及数据流的整个处理流程，以及其维度的变化
Unet 改进：在encoder和decoder间加入TransformerBlock
Henry的博客
01-31 856
TransformerBlock是Transformer模型架构的基本组件，广泛应用于机器翻译、文本摘要和情感分析等自然语言处理任务。TransformerBlock是一个由两个子组件组成的构建块：多头注意力机制和前馈神经网络。这两个组件协同工作，处理和转换输入序列。多头注意力机制负责从输入序列中捕获上下文信息。它通过使用多个注意力头同时关注序列的不同部分来实现这一点。每个注意力头计算每个输入元素相对于其他元素的重要性，使模型能够专注于输入序列的不同方面。然后将前馈神经网络应用于多头注意力机制的输出。
cbam注意力机制改进unet
03-28
具体来说，CBAM包含两个关键组件：通道注意力和空间注意力。 通道注意力模块通过学习每个通道的重要性权重，使得模型能够自动选择最相关的特征通道。这样可以提高模型对不同特征的感知能力，从而提升图像分割的准确...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

点我头像干啥

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值