结合创新！transformer+特征融合新突破

2024深度学习发论文&模型涨点之——Transformer+特征融合

Transformer和特征融合的结合是一种在计算机视觉领域中非常活跃的研究领域，它旨在通过结合Transformer的自注意力机制和特征融合技术来提高模型的性能、降低计算成本以及提升模型泛化能力。

我整理了一些Transformer+特征融合【论文+代码】合集，以下放出部分，全部可在公人人人号【AI创新工场】自取。

论文精选

论文1：

HiFuse: Hierarchical multi-scale feature fusion network for medical image classification

HiFuse：用于医学图像分类的层次化多尺度特征融合网络

方法

• 三分支层次多尺度特征融合网络结构：结合了Transformer和CNN的优势，从多尺度层次中融合特征，以提高各种医学图像的分类准确性。

• 局部和全局特征块的并行层次：设计用于在不同语义尺度上高效提取局部特征和全局表示。

• 适应性层次特征融合块（HFF块）：包含空间注意力、通道注意力、残差逆MLP和快捷连接，以自适应地融合不同层次尺度特征的语义信息。