IUINet:基于Shift的双流映射3D医学分割模型

为了提高特征融合,我们设计了动态全连接层(DyFC),该方法重新定义了权重和偏置,使用基向量来代表新的权重和偏置,基向量的系数是根据每一个输入特征进行学习得到的,权重和偏置不再是共享的,而是特有的,这对于每一个特征的表达更具有专向性.在本文中,我们提出了一种双流映射结构模型IUINet.IUINet是通过3DShift操作、空间可分离卷积的组合来实现医学图像分割任务,同时保持精度和效率之间的平衡.所提出来的IUINet遵循编码器-解码器结构,其中编码器一部分包含Shift操作、逐点Conv1×1操作,另一部分包含空间可分离卷积操作.IUINet运用了多尺度输入以及多尺度特征映射层,提高反向传播速度,降低反向传播的平均距离.提高模型的精确度,增加模型泛化能力,减少过拟合.