轻量级空间移位MLP用于指静脉分割

基于CNN和Transformer架构图像分割网络模型参数繁多、计算复杂,需要消耗大量的内存资源,这使得它们无法满足快速、有效的指静脉图像分割需求,并且在算力有限的嵌入式平台部署非常困难。因此,提出一种基于MLP的轻量级手指静脉分割算法。首先,通过不同轴向移动特征图获取信息流来捕获局部依赖性,提高局部信息提取能力;其次,使用标记MLP块对特征图进行标记和投影卷积特征;然后,在下采样和上采样之前都添加一个轻量级注意力模块来提升分割性能,在输入到MLP的同时转移输入的通道,使网络模型更专注于学习本地依赖性。在SDU-FV、HKPU和UTFVP三个公开的手指静脉数据集中进行实验,结果表明:该方法仅使用了346.949K Params、1.835G Flops和11.023M的计算复杂度,分割性能指标Dice、AUC、Acc分别达到0.515 6、0.895 9、91.68%。在三种NVIDIA嵌入式平台上,该算法的Dice和AUC指标均取得了最优性能。