Hybrid Pixel-Unshuffled Network for Lightweight Image Super-Resolution
Northeastern University（东北大学）；AInnovation Labs Inc.（AInnovation实验室公司）
卷积神经网络（CNN）在图像超分辨率方面取得了巨大的成功。然而，大多数基于CNN的深度SR模型需要大量计算才能获得高性能。降采样特征用于多分辨率融合是提高视觉识别性能的一种有效途径。尽管如此，在SR任务中这是违反直觉的，它需要将低分辨率输入投影到高分辨率。在本文中，我们提出了一种新的混合像素重组网络（HPUN）通过引入一个高效和有效的下采样模块到SR任务。该网络包含像素未混洗下采样和自残差相关可分离卷积。具体来说，我们利用像素unshuffle操作来下采样输入特征，并使用分组卷积来减少通道。此外，我们通过将输入特征添加到深度卷积的输出中来增强深度卷积的性能。基准数据集上的实验表明，我们的HPUN达到并超越了最先进的重建性能与更少的参数和计算成本。
2022-11-29 cs.CV eess.IV
Exploring Inter-frequency Guidance of Image for Lightweight Gaussian Denoising
Xiaomi Camera（小米相机）
图像去噪在许多成像或计算机视觉相关领域中至关重要。随着卷积神经网络在计算机视觉领域表现出强大的应用能力，基于CNN的图像去噪方法也在不断提高。虽然基于CNN的图像去噪方法在这方面取得了很好的效果，但目前大多数基于CNN的图像去噪方法都试图直接学习从噪声图像到干净图像的映射，缺乏对图像和噪声的先验知识的明确探索。自然图像服从倒幂定律，即图像的低频带往往占据大部分能量。因此，在加性高斯白噪声（AGWN）恶化的条件下，低频带往往比高频带保持更高的PSNR。考虑到不同频带的空间形态一致性，可以使用更逼真的低频带作为指导，以细化污染更严重的高频带。基于这一思想，我们提出了一种新的网络架构表示为IGNet，以细化频带从低到高，在一个渐进的方式。该方法首先利用离散小波变换（DWT）迭代地将特征映射分解为高频子带和低频子带，然后利用每个低频子带特征对高频子带特征进行细化。最后，由解码器处理细化的特征图以恢复干净的结果。通过这种设计，利用了更多的频率间先验和信息，因此可以减轻模型的大小，同时仍然保持有竞争力的结果。在多个公开数据集上的实验表明，该模型具有轻量级的结构，与其他最先进的方法相比，具有竞争力的性能。
2021-12-22 cs.CV eess.IV
Single Image Super-resolution via a Lightweight Residual Convolutional Neural Network
School of Computer and Information Technology, Shanxi University（山西大学计算机与信息技术学院）；Harbin Institute of Technology（哈尔滨工业大学）
近年来，卷积神经网络（CNN）在解决低层次和高层次的各种问题方面取得了巨大的成功。特别值得注意的是残差网络，它最初被提出来处理高层次的视觉问题，并享有一些优点。本文旨在将残差网络的优点，如跳跃连接诱导的快速训练，扩展到一个典型的低层次视觉问题，即，单个图像超分辨率。一般来说，现有深度CNN的超分辨率的两个主要挑战在于梯度爆炸/消失问题以及随着CNN更深入而产生的大量参数或计算成本。相应地，利用跳跃连接或单位映射捷径来避免梯度爆炸/消失问题。此外，跳过连接自然地集中了激活，从而带来了更好的性能。为了解决第二个问题，提出了一种轻量级的CNN架构，该架构具有精心设计的宽度，深度和跳过连接。特别地，对于剩余网络，提出了一种逐渐改变网络形状的策略。还比较了用于图像超分辨率的不同残差架构。实验结果表明，提出的CNN模型不仅可以实现最先进的PSNR和SSIM结果的单图像超分辨率，但也产生视觉上愉快的结果。本文扩展了mmm 2017口头会议论文，特别是从剩余网络的中心激活和集成行为的角度进行了大量新的分析和更多的实验。
2017-12-06 cs.CV
Sub-Pixel Back-Projection Network For Lightweight Single Image Super-Resolution
Trinity College Dublin（都柏林圣三一学院）；Rawky Tech LLP
基于卷积神经网络（CNN）的方法在单图像超分辨率（SISR）方面取得了巨大的成功。然而，大多数模型试图提高重建精度，同时增加模型参数的数量的要求。为了解决这个问题，在本文中，我们研究减少基于CNN的SISR方法的参数数量和计算成本，同时保持超分辨率重建性能的准确性。为此，我们引入了一种新的网络架构SISR，它罢工重建质量和低计算复杂度之间的良好权衡。具体来说，我们提出了一种迭代反投影架构，使用子像素卷积，而不是反卷积层。我们评估我们提出的模型与广泛的定量和定性评价的计算和重建精度的性能。实验结果表明，我们提出的方法使用更少的参数，降低了计算成本，同时保持重建精度对国家的最先进的SISR方法在著名的四个SR基准数据集。代码可在“https://github.com/supratikbanerjee/SubPixel-BackProjection_SuperResolution“上获得。
2020-08-03 cs.CV eess.IV
Efficient Attention-Sharing Information Distillation Transformer for Lightweight Single Image Super-Resolution
Seoul National University（首尔大学）；Gwangju Institute of Science and Technology（光州科学技术院）
本文提出轻量级超分辨率网络ASID，通过改进信息蒸馏结构并引入跨块注意力共享，在仅约300K参数下实现与现有方法相当甚至更优的性能。
2025-02-04 cs.CV
A Lightweight Image Super-Resolution Transformer Trained on Low-Resolution Images Only
Technische Universität Braunschweig（布伦瑞克工业大学）
本文首次提出利用轻量级视觉Transformer结合仅低分辨率训练方法解决无监督SISR问题，提出MSTbic多尺度训练方法，在多个基准上超越现有基于CNN的仅LR方法。
2025-03-30 cs.CV cs.LG eess.IV
Single Image Super-Resolution Using Lightweight CNN with Maxout Units
Korea Advanced Institute of Science and Technology（韩国科学技术院）
众所周知，修正线性单元（ReLU）有助于获得更快的收敛速度，从而提高许多基于深度学习的应用程序的性能。然而，当过滤器参数的数量被限制在一个很小的数量时，具有ReLU的网络往往表现不佳。为了克服这个问题，在本文中，我们提出了一种新的网络利用最大输出单元（MU），并显示其有效性的超分辨率（SR）的应用。一般来说，MU在分类问题中生成相同大小的特征图时，已知会使过滤器大小加倍。在本文中，我们首先发现，MU甚至可以使恢复问题中的过滤器大小减半，从而导致网络大小的压缩。为了证明这一点，我们的SR网络的设计没有增加滤波器的大小与MU，这优于最先进的SR方法与较少数量的滤波器参数。据我们所知，我们是第一个将MU纳入SR应用程序，并显示出良好的性能结果。在MU中，来自前一个卷积层的特征图沿着通道被分成两部分，然后按元素进行比较，只有它们的最大值被传递到下一层。随着一些有趣的性质的MU进行分析，我们进一步研究MU的其他变体及其影响。此外，虽然ReLU在卷积滤波器参数非常少的网络中学习有困难，但MU没有。对于SR应用，我们基于MU的网络重建高分辨率图像，与以前基于深度学习的SR方法相比，质量相当，滤波器参数更低。
2018-12-13 cs.CV
A lightweight residual network for unsupervised deformable image registration
University of Innsbruck（因斯布鲁克大学）；Medical University of Innsbruck（因斯布鲁克医科大学）
本文提出一种嵌入并行空洞卷积块的残差U-Net，以极低参数量增强感受野，在有限训练数据上实现与Transformer方法相当甚至略优的无监督可变形图像配准性能。
2024-06-14 cs.CV cs.NA math.NA
L^3U-net: Low-Latency Lightweight U-net Based Image Segmentation Model for Parallel CNN Processors
Analog Devices Inc.（亚德诺公司）
在这项研究中，我们提出了一个微小的图像分割模型，L^3U-net，在低资源的边缘设备上实时工作。我们引入了一种数据折叠技术，通过利用CNN加速器的并行卷积层处理能力来减少推理延迟。我们还将该模型部署到这样的设备MAX 78000上，结果表明，L^3U-net在两个不同的分割数据集上以10 fps的速度实现了90%以上的准确率。
2022-03-30 cs.AI cs.CV eess.IV
UCM-Net: A Lightweight and Efficient Solution for Skin Lesion Segmentation using MLP and CNN
The Graduate Center, City University of New York（纽约城市大学研究生中心）；University of Washington（华盛顿大学）；College of Staten Island, City University of New York（纽约城市大学斯塔滕岛学院）
UCM-Net是一种结合MLP和CNN的轻量高效皮肤病变分割模型，在PH2、ISIC 2017和ISIC 2018数据集上以少于50KB参数和低于0.05 GLOPs的计算量实现稳健性能，适合资源受限环境部署。
2024-06-24 cs.CV eess.IV
CD-CTFM: A Lightweight CNN-Transformer Network for Remote Sensing Cloud Detection Fusing Multiscale Features
College of Information Science and Technology（信息科学与技术学院）
本文提出轻量级CNN-Transformer网络CD-CTFM，通过轻量级特征金字塔融合多尺度特征，并在跳跃连接中引入通道-空间注意力模块，在38-Cloud和MODIS数据集上以更低计算成本实现了与最先进方法相当的云检测精度。
2023-06-12 cs.CV cs.LG eess.IV
A Lightweight CNN and Joint Shape-Joint Space (JS2) Descriptor for Radiological Osteoarthritis Detection
University of Oulu（奥卢大学）；Oulu University Hospital（奥卢大学医院）；Medical Research Center, University of Oulu and Oulu University Hospital（奥卢大学与奥卢大学医院医学研究中心）
膝关节骨关节炎（OA）是全球非常常见的进行性和退行性肌肉骨骼疾病，由于经济影响，给患者和社会造成了沉重的负担，降低了生活质量。因此，任何减轻疾病负担的尝试都可以帮助患者和社会。在这项研究中，我们提出了一种全自动的新方法，结合关节形状和卷积神经网络（CNN）的骨纹理特征，以区分膝关节X线片与X线骨关节炎。此外，我们报告的第一次尝试，在描述骨纹理使用CNN。实验中使用了骨关节炎倡议（OAI）和多中心骨关节炎（MOST）研究的膝关节X线片。我们的模型在OAI的8953张膝关节X光片上进行了训练，并在MOST的3445张膝关节X光片上进行了评估。我们的研究结果表明，融合所提出的形状和纹理参数实现了放射学OA检测的最新性能，ROC曲线下面积（AUC）为95.21%。
2020-05-24 cs.CV cs.LG eess.IV
Compressing CNN Kernels for Videos Using Tucker Decompositions: Towards Lightweight CNN Applications
Technical University of Denmark（丹麦技术大学）
卷积神经网络（CNN）是视觉计算领域的前沿技术。然而，CNN的一个主要问题是需要大量的浮点运算（FLOP）来执行大输入的卷积。当考虑将CNN应用于视频数据时，由于额外的时间维度，卷积滤波器变得更加复杂。这导致当相应的应用要被部署在移动设备（诸如智能电话、平板电脑、微控制器或类似物）上时的问题，指示较少的计算能力。Kim等人（2016）提出使用Tucker分解来压缩图像预训练网络的卷积核，以降低网络的复杂性，即FLOP的数量。在本文中，我们将上述方法推广到视频（和其他3D信号），并在THETIS数据集的修改版本上评估所提出的方法，该数据集包含个人进行网球拍摄的视频。我们表明，压缩的网络达到相当的精度，同时表明内存压缩的一个因素51。然而，实际的计算加速（因子1.4）并不符合我们理论上的预期（因子6）。
2022-03-10 cs.AI cs.CV cs.LG
A Lightweight CNN Model for Detecting Respiratory Diseases from Lung Auscultation Sounds using EMD-CWT-based Hybrid Scalogram
通过听诊听肺音对于检查呼吸系统是否异常至关重要。肺听诊音的自动分析可以有益于缺乏熟练医生的低资源环境中的卫生系统。在这项工作中，我们提出了一个轻量级的卷积神经网络（CNN）架构，使用基于混合尺度图的肺音特征对呼吸系统疾病进行分类。混合尺度图特征利用经验模式分解（EMD）和连续小波变换（CWT）。使用来自公开可用的ICBHI 2017肺音数据集的患者独立训练验证集研究了所提出的方案的性能。采用所提出的框架，三重慢性分类的加权准确率为99.20%，六类病理分类的加权准确率为99.05%，在准确率方面分别优于众所周知的和更大的VGG 16 0.52%和1.77%。所提出的CNN模型也优于其他当代轻量级模型，同时在计算上具有可比性。
2020-09-08 eess.IV eess.SP
Efficient Brain Tumor Classification with Lightweight CNN Architecture: A Novel Approach
Widener university（威德纳大学）；Academy Of Technology（技术学院）
提出一种集成可分离卷积与SE模块的轻量级CNN架构，用于MRI脑肿瘤分类，在保持计算效率的同时，验证准确率达99.22%，测试准确率达98.44%，优于现有模型。
2025-02-01 cs.CV eess.IV
Fibonacci-Net: A Lightweight CNN model for Automatic Brain Tumor Classification
Christ (Deemed to be University)（基督（被认定的大学））；NIIT University（NIIT大学）
针对类别不平衡 MRI 脑肿瘤分类，提出轻量级 Fibonacci-Net，结合斐波那契滤波器配置、DWSC 与含 Average-2Max 池化的跳跃连接，在44类数据集上取得优异性能。
2025-03-18 cs.CV eess.IV
1M parameters are enough? A lightweight CNN-based model for medical image segmentation
Hanoi University of Science and Technology（河内理工大学）
本文提出一种基于U-Net的轻量级CNN模型U-Lite，利用深度可分离卷积和轴向卷积设计，在仅含878K参数的情况下大幅降低计算复杂度，并在医学图像分割任务上取得了优于现有架构的性能。
2023-07-03 cs.CV eess.IV
Lightweight Image Inpainting by Stripe Window Transformer with Joint Attention to CNN
针对现有图像修复模型纹理结构重建效果欠佳、缺乏适配个人及小型机构的轻量方案，且现有方法仅关注RGB色彩的问题，提出结合条纹窗口Transformer与CNN联合注意力的轻量模型及增强色彩细节的新损失函数，在Places2、CelebA数据集上效果优于前沿方法。
2023-08-24 eess.IV
Enhancing Diabetic Retinopathy Diagnosis: A Lightweight CNN Architecture for Efficient Exudate Detection in Retinal Fundus Images
Huddersfield University（哈德斯菲尔德大学）
本研究提出一种轻量化CNN架构用于视网膜眼底图像渗出物检测，结合领域数据增强与正则化技术，参数量较ResNet-18减少近60%，F1分数达90%，可高效准确地辅助糖尿病视网膜病变早期诊断。
2024-08-13 cs.CV cs.LG eess.IV
FALCON: Lightweight and Accurate Convolution
Seoul National University（首尔国立大学）；CCB Fintech（CCB金融科技）；Columbia University（哥伦比亚大学）
我们如何有效地压缩卷积神经网络（CNN），同时保持其分类任务的准确性？依赖可分离卷积（DSConv），它用依赖卷积和逐点卷积取代标准卷积，已用于构建轻量级架构。然而，以前的基于依赖可分离卷积的工作在压缩训练的CNN模型时受到限制，因为1）它们大多是启发式方法，没有精确理解它们与标准卷积的关系，2）它们的准确性与标准卷积的准确性不匹配。在本文中，我们提出了一种精确而轻量级的压缩CNN的方法- ESTCON使用GEP，我们提出的数学公式来近似标准卷积核，来解释现有的卷积方法的基础上dependently可分离卷积。通过利用训练的标准模型的知识，并通过GEP仔细确定深度可分离卷积的阶数，ESTCON实现了接近训练的标准模型的足够精度。此外，这种解释导致开发一个广义版本的rank-k RankCON，它执行k个独立的RankCON操作并总结结果。实验表明，RISKCON 1）提供了比现有的基于深度可分离卷积和张量分解的方法更高的精度，2）在确保相似精度的同时，将标准卷积的参数和FLOP的数量减少了多达8倍。我们还证明了rank-k RankCON进一步提高了精度，同时牺牲了一点压缩和计算减少率。
2020-12-29 cs.CV eess.IV
AD-Lite Net: A Lightweight and Concatenated CNN Model for Alzheimer's Detection from MRI Images
Pandit Deendayal Energy University (PDEU)（潘迪特·迪恩代尔能源大学（PDEU））；NIIT University（NIIT大学）
针对MRI手动诊断阿尔茨海默病灵敏度低、流程繁琐的问题，提出含深度可分离卷积、全局平均池化和并行串联块的轻量CNN模型AD-Lite Net，在多数据集上性能优于现有CNN及ViT模型。
2024-09-12 cs.CV eess.IV
MobileUtr: Revisiting the relationship between light-weight CNN and Transformer for efficient medical image segmentation
Harbin Institute of Technology（哈尔滨工业大学）；Shanghai Jiao Tong University（上海交通大学）；University of Science and Technology of China（中国科学技术大学）
MobileUtr通过将类Transformer的轻量级CNN模块作为ViTs的patch嵌入，并引入自适应局部-全局-局部模块，在基础设施层面融合CNN与Transformer优势，实现轻量且高效的医学图像分割。
2023-12-04 cs.CV eess.IV
A lightweight target detection algorithm based on Mobilenet Convolution
针对深度学习目标检测算法算力要求高、部署成本高的问题，本文提出以MobileNet为骨干、搭配CNN分隔层的轻量级检测算法，在RTX2060上处理320*320图像可达30fps，兼顾精度与效率。
2023-10-07 cs.CV eess.IV
DCSNet: A Lightweight Knowledge Distillation-Based Model with Explainable AI for Lung Cancer Diagnosis from Histopathological Images
North South University（北南大学）；Mahidol University（玛希多大学）
本文提出基于知识蒸馏的轻量级DCSNet，以ResNet50为教师模型并结合XAI，实现资源受限环境下透明、高性能的组织病理学肺癌诊断。
2025-05-14 cs.CV eess.IV
A Lightweight ReLU-Based Feature Fusion for Aerial Scene Classification
University of Missouri-Kansas City（密苏里大学堪萨斯城分校）
在本文中，我们提出了一种基于迁移学习的模型构建技术的空中场景分类问题。我们的技术的核心是一种层选择策略，称为基于ReLU的特征融合（RBFF），该策略从预训练的基于CNN的单对象图像分类模型（即MobileNetV2）中提取特征图，并为空中场景分类任务构建模型。RBFF堆叠从MobileNetV2的几个选定块的批量归一化层中提取的特征，其中候选块是基于这些块中存在的ReLU激活层的特征选择的。然后，使用降维算法将特征向量压缩到低维特征空间中，在此基础上训练低成本SVM分类器对航空图像进行分类。我们根据提取的特征对我们的分类管道的重要性来验证我们对所选特征的选择。RBFF不涉及基本CNN模型的任何训练，除了分类器的一些参数，这使得该技术对于实际部署非常具有成本效益。所构建的模型，尽管是轻量级的优于最近提出的几个模型的准确性方面的一些空中场景数据集。
2021-06-15 cs.CV eess.IV
Efficient Scale Estimation Methods using Lightweight Deep Convolutional Neural Networks for Visual Tracking
Yazd University（亚兹德大学）；Sharif University of Technology（谢里夫理工大学）；University of Alberta（阿尔伯塔大学）
近年来，基于判别相关滤波器（DCF）的视觉跟踪方法得到了广泛的应用。然而，这些方法中的大多数都缺乏鲁棒的尺度估计技能。尽管最近广泛的基于DCF的方法在其翻译模型中利用从深度卷积神经网络（CNN）中提取的特征，但视觉目标的规模仍然是通过手工制作的特征来估计的。鉴于CNN的开发带来了很高的计算负担，本文利用预先训练的轻量级CNN模型提出了两种有效的尺度估计方法，不仅提高了视觉跟踪的性能，而且提供了可接受的跟踪速度。所提出的方法基于卷积特征映射的整体或区域表示来制定，以有效地集成到DCF公式中，从而在频域中学习鲁棒的尺度模型。此外，对传统的规模估计方法与迭代特征提取的不同目标区域，所提出的方法利用建议的一遍特征提取过程，显着提高计算效率。在OTB-50、OTB-100、TC-128和VOT-2018视觉跟踪数据集上的综合实验结果表明，所提出的视觉跟踪方法有效地优于现有的方法。
2020-12-11 cs.CV cs.LG eess.IV
Lightweight HDR Camera ISP for Robust Perception in Dynamic Illumination Conditions via Fourier Adversarial Networks
University of Copenhagen（哥本哈根大学）
商业紧凑型相机传感器的有限动态范围导致具有变化的照明条件的场景的不准确表示，不利地影响图像质量并且随后限制基础图像处理算法的性能。当前最先进的（SoTA）卷积神经网络（CNN）被开发为后处理技术，以独立地恢复曝光不足/过度曝光的图像。然而，当应用于包含诸如眩光、远光、具有变化的噪声强度的渗色的真实世界退化的图像时，这些算法放大了退化，进一步降低了图像质量。我们提出了一个轻量级的两阶段图像增强算法顺序平衡照明和噪声去除使用频率先验结构指导，以克服这些限制。此外，为了确保逼真的图像质量，我们利用图像的频域和空间域属性之间的关系，并提出了一个基于傅立叶频谱的对抗框架（AFNet），在不同的光照条件下一致的图像增强。虽然目前的图像增强公式被设想为后处理技术，我们研究这样的算法是否可以扩展到集成的相机传感器内的图像信号处理（ISP）管道的功能，受益于RAW传感器数据和轻量级的CNN架构。基于定量和定性的评价，我们还研究了图像增强技术的实用性和效果的共同感知任务，如目标检测和语义分割在不同的光照条件下的性能。
2022-05-14 cs.CV eess.IV
DMC-Net: Lightweight Dynamic Multi-Scale and Multi-Resolution Convolution Network for Pancreas Segmentation in CT Images
Mallinckrodt Institute of Radiology（马林克罗特放射学研究所）；Institute for Informatics, Data Science and Biostatistics（信息学、数据科学与生物统计学研究所）；Washington University School of Medicine（华盛顿大学医学院）
本文提出DMC-Net，通过设计轻量级动态多分辨率卷积（DMRC）和动态多尺度卷积（DMSC）模块增强单一卷积的表示能力，并将其集成到U-Net中，以提升CT图像胰腺分割精度。
2024-10-03 cs.CV eess.IV
Lightweight Multispectral Crop-Weed Segmentation for Precision Agriculture
Department of Math and Computer Science（数学与计算机科学系）；Lawrence Technological University（劳伦斯技术大学）
提出轻量级Transformer-CNN混合模型，融合RGB、NIR和RE多光谱波段，在WeedsGalore上达到78.88% mIoU，比RGB-only高15.8个百分点，仅870万参数，适合无人机实时部署。
2025-05-12 cs.CV cs.RO eess.IV
Lite-FBCN: Lightweight Fast Bilinear Convolutional Network for Brain Disease Classification from MRI Image
Institut Teknologi Sepuluh Nopember（泗水理工学院）；Universitas Airlangga（艾尔朗加大学）
针对MRI脑疾病分类中精度与计算效率难平衡的问题，提出单网络架构的轻量级快速双线性卷积网络Lite-FBCN，通过通道缩减层压缩特征维度，在多项测试中准确率优于基线与现有双线性模型，适合资源受限或实时临床场景。
2024-09-17 cs.CV eess.IV
LightM-UNet: Mamba Assists in Lightweight UNet for Medical Image Segmentation
School of Computer Science, Peking University（北京大学计算机学院）；Institute of Artificial Intelligence, Beihang University（北京航空航天大学人工智能研究院）；Key Laboratory of High Confidence Software Technologies, Ministry of Education（教育部高可信软件技术重点实验室）；National Engineering Research Center for Software Engineering, Peking University（北京大学国家软件工程研究中心）
针对医学图像分割中UNet类模型参数量大、计算负载高的问题，提出融合Mamba的轻量化LightM-UNet，以纯Mamba结构提取特征建模长程依赖，在2D/3D数据集上性能超前沿方法，大幅降低参数与计算成本。
2024-03-11 cs.CV eess.IV
GPU-Net: Lightweight U-Net with more diverse features
Tsinghua University（清华大学）；University of Southern California（南加州大学）；Hebei University of Engineering（河北工程大学）
图像分割是医学图像领域的一项重要任务，已经提出了许多基于卷积神经网络（CNN）的方法，其中U-Net及其变体表现出良好的性能。本文在U-Net的基础上提出了GP-Module和GPU-Net，通过引入Ghost模块和空间金字塔池（ASPP），可以学习到更多样的特征。我们的方法取得了更好的性能，超过4倍的参数和2倍的FLOPs，这为未来的研究提供了一个新的潜在方向。我们的即插即用模块也可以应用于现有的分割方法，以进一步提高其性能。
2022-01-07 cs.CV eess.IV
Explainable and Lightweight Model for COVID-19 Detection Using Chest Radiology Images
International Institute of Information Technology（国际信息技术研究所）
由于COVID-19大流行，胸部X光（CXR）和计算机断层扫描（CT）图像的深度学习（DL）分析近年来引起了广泛关注。卷积神经网络（CNN）非常适合在大量数据上进行训练的图像分析任务。与任何其他领域相比，为医学图像分析开发的应用需要高灵敏度和精度。大多数用于检测COVID-19的工具都声称具有高灵敏度和召回率，但在对未知数据集进行测试时未能推广和执行。这鼓励我们开发一个CNN模型，通过使用Grad-CAM技术生成的类激活图可视化模型的预测来分析和理解它的性能。这项研究提供了一个详细的讨论所提出的模型在图像水平上的成功和失败。该模型的性能进行了比较，与国家的最先进的DL模型，并显示是可比的。使用的数据和代码可在https://github.com/aleesuss/c19上获得。
2022-12-28 cs.CV cs.LG eess.IV
LMBiS-Net: A Lightweight Multipath Bidirectional Skip Connection based CNN for Retinal Blood Vessel Segmentation
Abasyn University（阿巴辛大学）；UNSW（新南威尔士大学）；COMSATS University Islamabad（伊斯兰堡COMSATS大学）；Shifa Tameer-e-Millat University（希法·塔米尔·米拉特大学）
针对视网膜血管分割中边缘信息丢失和参数量大的问题，提出轻量级CNN模型LMBiS-Net，通过多路径特征提取和双向跳跃连接提升分割精度，仅含0.172M参数，兼顾了计算效率与临床准确性。
2023-09-10 cs.LG eess.IV
Lightweight Framework for Automated Kidney Stone Detection using coronal CT images
本文提出一种基于冠状位CT图像的轻量级融合框架，用于肾脏检测与肾结石自动诊断，仅用8%训练数据即达到96%的F1分数和4%的假阴性率，并显著降低计算成本。
2024-08-01 eess.IV
Lightweight 3D Convolutional Neural Network for Schizophrenia diagnosis using MRI Images and Ensemble Bagging Classifier
National Institute of Technology Silchar（西尔查尔国家理工学院）；Indian Institute of Technology, Indore（印多尔印度理工学院）
随着神经影像学方法的发展，人们对精神分裂症（SCZ）早期脑结构的改变进行了深入的研究。本文的目的是一个有效的分类SCZ在2个不同的类：认知正常（CN），SCZ使用磁共振成像（MRI）图像。提出了一种基于轻量级3D卷积神经网络（CNN）的MRI图像SCZ诊断框架。在所提出的模型中，轻量级的3D CNN用于同时从3D体积MRI扫描中提取空间和光谱特征，并且使用集成装袋分类器进行分类。采用包围袋分类器有助于防止过拟合，减小方差，提高模型的精度。所提出的算法进行了测试，从三个基准数据库作为开源：MCICShare，COBRE，和fBRINPhase-II的数据集。这些数据集经过预处理步骤，将所有MRI图像配准到标准模板并减少伪影。与现有技术相比，该模型实现了最高的准确率92.22%，灵敏度94.44%，特异度90%，精确度90.43%，召回率94.44%，F1评分92.39%和G均值92.19%。性能指标证明了使用该模型来帮助临床医生自动准确诊断SCZ。
2022-11-05 cs.CV cs.LG eess.IV
Hyperspectral Image Classification: Artifacts of Dimension Reduction on Hybrid CNN
National University of Computer and Emerging Sciences（国立计算机与新兴科学大学）；University of Messina（墨西拿大学）；Bahauddin Zakariya University（巴哈丁·扎卡里亚大学）；Innopolis University（因诺波利斯大学）
卷积神经网络（CNN）已被广泛研究用于高光谱图像分类（HSIC）。更具体地说，二维和三维CNN模型已被证明在利用高光谱图像的空间和光谱信息方面是高效的。然而，2D CNN仅考虑空间信息而忽略频谱信息，而3D CNN以高计算成本联合利用空间-频谱信息。因此，这项工作提出了一个轻量级的CNN（3D后接2D-CNN）模型，它通过将空间-光谱特征提取分布在一个更轻的模型上，并通过预处理来改善分类结果，从而显著降低了计算成本。五个基准高光谱数据集（即，SalinasA、Salinas、Indian Pines、Pavia University、Pavia Center和Botswana）用于实验评价。实验结果表明，与最先进的2D/3D CNN模型相比，除了常用的计算昂贵的设计选择之外，所提出的流水线在泛化性能、统计显著性和计算复杂性方面表现出色。
2021-01-25 cs.CV cs.LG eess.IV
Towards Scalable Insect Monitoring: Ultra-Lightweight CNNs as On-Device Triggers for Insect Camera Traps
University of Exeter（埃克塞特大学）；Institute for Data Science and AI, University of Exeter（埃克塞特大学数据科学与人工智能学院）；Centre for Ecology and Conservation, University of Exeter（埃克塞特大学生态与保护中心）
针对 PIR 传感器难以触发昆虫相机陷阱的问题，本文提出在低功耗微控制器上运行超轻量级 CNN 检测连续图像中的昆虫，实现零延迟、高 AUC、低功耗与更长部署。
2025-02-17 cs.CV cs.LG eess.IV
