摘要由 AI 生成
针对病灶聚焦图像分类中判别信号稀疏及背景噪声干扰问题，研究人员提出一种基于注意力引导的全局与局部融合框架。该框架以 DenseNet-121 为基础，包含三个分支：全局分支利用梯度加权类激活映射（Grad-CAM）生成注意力图并产生掩码输入；局部分支引入卷积块注意力模块（CBAM）提取精细化特征；自适应融合分支通过实例特定权重动态整合全局与局部信息。实验表明，该框架在合成斑点模式数据集及皮肤病变、番石榴叶片、葡萄叶片三个基准数据集上的表现优于单一分支，其中在皮肤病变数据集上准确率达到 97.75%，在番石榴叶片数据集上达到 99.64%。
关键实体KEY ENTITIES
CBAMDenseNet-121Grad-CAMSSPD
报道态势 · 每日报道量LANGUAGE SPLIT
实体关系
信号强度SIGNALS
关键词热度
- DenseNet-1211
- Grad-CAM1
- CBAM1
- SSPD1
全部报道（1）SOURCES
↗
本研究提出一种基于注意力引导的全局与局部融合框架，旨在解决病灶聚焦图像分类中判别信号稀疏且易受背景噪声干扰的问题。该框架以密集连接卷积网络 -121（DenseNet-121）为基础，包含三个分支：全局分支结合梯度加权类激活映射（Grad-CAM）生成注意力图并产生掩码输入；局部分支引入卷积块注意力模块（CBAM）提取精细化特征；自适应融合分支通过学习实例特定权重动态整合全局与局部信息。该框架在合成斑点模式数据集及皮肤病变、番石榴叶片、葡萄叶片三个基准数据集上进行了评估，其融合性能优于单一分支，在皮肤病变数据集上达到 97.75% 的准确率，在番石榴叶片数据集上达到 99.64% 的准确率。