簡介：
1.該教程提供大量的首發改進的方式，降低上手難度，多種結構改進，助力尋找創新點！
2.本篇文章對Pointnet++特征提取模塊進行改進，加入GLSA，提升性能。
3.專欄持續更新，緊隨最新的研究內容。

目錄

1.理論介紹

2.修改步驟

2.1 步驟一

         2.2 步驟二

         2.3 步驟三

---

1.理論介紹

基于變壓器的模型已經被廣泛證明是成功的計算機視覺任務，通過建模遠程依賴關系和捕獲全局表示。然而，它們往往被大模式的特征所主導，導致局部細節(例如邊界和小物體)的丟失，這在醫學圖像分割中是至關重要的。為了緩解這一問題，我們提出了一種雙聚合變壓器網絡，稱為DuAT，其特點是兩個創新的設計，即全局到局部空間聚合(GLSA)和選擇性邊界聚合(SBA)模塊。GLSA具有聚合和表示全局和局部空間特征的能力，這有利于分別定位大目標和小目標。SBA模塊用于聚合底層特征的邊界特征和高層特征的語義信息，以更好地保留邊界細節和定位重標定目標。在六個基準數據集上進行的大量實驗表明，我們提出的模型在皮膚病變圖像和結腸鏡圖像中的息肉分割方面優于最先進的方法。此外，我們的方法在小目標分割和模糊目標邊界等各種具有挑戰性的情況下比現有方法更具魯棒性。

<