شبكة اهتمام النوافذ المزدوجة النطاق لت segmentation الصور الطبية

يعد Swin Transformer عملاً مهماً بين جميع المحاولات لتقليل التعقيد الحسابي لـ Transformers مع الحفاظ على أدائها الممتاز في رؤية الكمبيوتر. يمكن أن يستخدم الاهتمام الذاتي المستند إلى النوافذ الاتصال المحلي لميزات الصورة، ويسمح الاهتمام الذاتي المستند إلى النوافذ المنقولة بتبادل المعلومات بين قطع مختلفة في نطاق الصورة بالكامل. من خلال البحث المتعمق في تأثيرات أحجام النوافذ المنقولة المختلفة على كفاءة تبادل معلومات القطع، يقترح هذا المقال موديل Transformer مزدوج النطاق بطريقة اهتمام النوافذ المزدوجة الحجم. تتجاوز الطريقة المقترحة طرق CNN مثل U-Net و AttenU-Net و ResU-Net و CE-Net بفارق كبير (زيادة حوالي 3% إلى 6%)، وتتفوق على موديلات Transformer ذات النطاق الواحد Swin Transformer (SwinT) بزيادة حوالي 1%، على مجموعات بيانات Kvasir-SEG و ISIC2017 و MICCAI EndoVisSub-Instrument و CadVesSet. تؤكد النتائج التجريبية أن اهتمام النوافذ المزدوجة النطاق المقترح يفيد تبادل معلومات القطع ويمكن أن يعزز نتائج التقسيم إلى مستوى ممتاز. كما نقوم بتنفيذ دراسة استكشافية حول تأثير حجم النافذة المنقولة على كفاءة تدفق المعلومات ونؤكد أن اهتمام النوافذ المزدوجة النطاق هو تصميم الشبكة الأمثل. تبرز دراستنا التأثير الكبير لتصميم هيكل الشبكة على الأداء البصري، مما يوفر رؤى قيمة لتصميم الشبكات بناءً على هياكل Transformer.