- D-TrAttUnet: архитектура Unet на основе преобразователя внимания с двумя декодерами для сегментации двоичных и мультиклассовых инфекций Covid-19 (arXiv)
Автор: Фарес Бугурзи, Козимо Дистанте, Фади Дорнайка, Абдельмалик Талеб-Ахмед.
Аннотация: В последние три года мир столкнулся с глобальным кризисом, вызванным пандемией Covid-19. Медицинская визуализация играет решающую роль в борьбе с этим заболеванием и спасении человеческих жизней. Действительно, компьютерная томография доказала свою эффективность в диагностике, обнаружении и отслеживании инфекции Covid-19. В этой статье мы предлагаем новый подход на основе Transformer-CNN для сегментации инфекции Covid-19 из срезов КТ. Предлагаемая архитектура D-TrAttUnet имеет структуру кодировщик-декодер, в которой предложены составной кодер преобразователя-CNN и двойные декодеры. Кодер Transformer-CNN построен с использованием слоев Transformer, UpResBlocks, ResBlocks и слоев максимального объединения. Двойной декодер состоит из двух идентичных декодеров CNN с воротами внимания. Два декодера используются для одновременной сегментации области инфекции и легкого, и потери двух задач объединяются. Предлагаемая архитектура D-TrAttUnet оценивается как для двоичной, так и для мультиклассовой сегментации инфекции Covid-19. Экспериментальные результаты доказывают эффективность предложенного подхода для решения сложной задачи сегментации Covid-19 на основе ограниченных данных. Кроме того, архитектура D-TrAttUnet превосходит три базовые архитектуры сегментации CNN (Unet, AttUnet и Unet++) и три современные архитектуры (AnamNet, SCOATNet и CopleNet) в задачах сегментации бинарных и Mutli-классов.
2. SAR-UNet: остаточная UNet с небольшим вниманием для объяснимых задач прогнозирования текущей погоды (arXiv)
Автор : Матье Рено, Сиамак Мерканун.
Аннотация: Точность и объяснимость моделей прогнозирования текущей погоды на основе данных имеют большое значение во многих социально-экономических секторах, зависящих от принятия решений в зависимости от погоды. В этом документе предлагается новая архитектура, называемая малой остаточной сетью внимания (SAR-UNet) для прогнозирования осадков и облачного покрова. Здесь SmaAt-UNet используется в качестве базовой модели и дополнительно оснащается остаточными связями, параллельными разделимым по глубине сверткам. Предлагаемая модель SAR-UNet оценивается на двух наборах данных, то есть на голландских картах осадков за период с 2016 по 2019 год и бинарных изображениях облачного покрова во Франции за период с 2017 по 2018 год. Полученные результаты показывают, что SAR-UNet превосходит другие изученные модели в прогнозировании осадков с 30 до 180 минут в будущем, а также прогноз облачности в следующие 90 минут. Кроме того, мы предоставляем дополнительную информацию о прогнозах текущей погоды, сделанных нашей предложенной моделью, с использованием Grad-CAM, метода визуального объяснения, который используется на разных уровнях путей кодирования и декодера модели SAR-UNet и создает тепловые карты, выделяющие критические области в входное изображение, а также промежуточные представления к осадкам. Тепловые карты, сгенерированные Grad-CAM, показывают взаимодействие между остаточными соединениями и разделяемыми по глубине извилинами внутри нескольких разделимых по глубине блоков, размещенных по всей сетевой архитектуре.
