准确率超99%！多尺度特征融合+注意力机制，模型性能起飞！

最新推荐文章于 2025-03-26 17:01:39 发布

前沿速递AI

最新推荐文章于 2025-03-26 17:01:39 发布

阅读量1.3k

点赞数 26

文章标签：论文合集多尺度特征融合注意力机制

本文链接：https://blog.csdn.net/Mikasa33/article/details/146363996

版权

多尺度特征融合通过构建跨分辨率特征金字塔（如FPN、U-Net++架构），可高效捕捉不同感受野下的纹理、形状及上下文关联特征。而注意力机制则通过动态重标定，聚焦关键特征，抑制冗余信息，优化了计算资源的分配。

当前，多尺度与注意力协同架构是深度学习领域中的一大研究热点。例如木材近红外光谱分类方法BACNN，在测试集上的准确率高达**99.3%**。通过融合频域多尺度分解与注意力机制，该方法建立起 “尺度-重要性”双维度联合优化范式，为多模态大模型的特征蒸馏、边缘设备的轻量化部署提供兼具理论完备性与工程可行性的新一代架构。

本文精选18篇最新前沿论文，供同学们参考学习。整理不易，麻烦大家点个免费的赞~

全部论文+开源代码需要的同学看文末

一、Adaptive Transformer Attention and Multi-Scale Fusion for Spine 3D Segmentation

在这里插入图片描述

1. 方法

本文提出了一种基于改进的SwinUNETR的脊柱3D语义分割方法，旨在提高脊柱图像的分割准确性和鲁棒性。该方法引入了多尺度融合机制，增强模型在不同尺度下的特征学习能力，特别是捕捉脊柱图像中的细节；采用自适应注意机制，使模型能够动态调整对关键区域的关注，从而优化边界分割效果。

与传统的3D CNN、3D U-Net及其结合Transformer的模型相比，改进的SwinUNETR在mIoU、mDice和mAcc指标上均取得了显著提升，证明了所提方法的有效性。消融实验进一步验证了多尺度融合和自适应注意机制在提高模型性能中的重要作用。

在这里插入图片描述

2. 创新点

1）多尺度融合机制在传统3D U-Net的基础上，引入跨层级的多尺度特征融合策略，有效结合浅层局部细节与深层全局语义信息，增强模型对脊柱复杂解剖结构的适应性，尤其对小尺寸椎体或病变区域的分割精度显著提升。

2）自适应注意机制提出一种动态权重调整机制，根据输入图像的局部上下文信息自适应分配注意力权重。在脊柱CT/MRI图像中，该机制能自动聚焦于关键解剖结构（椎间盘、神经孔等），减少噪声和伪影干扰，优化边界分割的连续性。

论文链接：[2503.12853] Adaptive Transformer Attention and Multi-Scale Fusion for Spine 3D Segmentation

二、DCAT: Dual Cross-Attention Fusion for Disease Classification in Radiological Images with Uncertainty Estimation

在这里插入图片描述

1.方法

本文提出了一种新颖的特征融合模型，称为DCAT，用于医学图像分类。DCAT模型结合了两种预训练网络（EfficientNetB4和ResNet34），通过双向交叉注意机制动态融合特征图，显著提高了特征表示的准确性。模型集成了通道和空间注意机制，优化了特征选择过程，能够捕捉细粒度细节和高层语义信息；引入了不确定性量化，提供每个预测的置信度估计，增强了临床决策的可靠性。

在三个知名的医学胸部X光和OCT数据集上验证了该模型，结果显示DCAT模型在分类性能上表现优异，准确率达到了98.95%（肺炎）、99.21%（结核病）等高水平。在这里插入图片描述