LPAM: شبكة خفيفة الوزن لتقسيم الصور الطبية مبنية على ماما محسنة من خلال الانتباه السريع

الملخص حالياً، تم دمج نماذج الفضاء الحالة (SSMs)، بما في ذلك الهياكل مثل ماما، في مجال رؤية الكمبيوتر. لا تقتصر هذه النماذج على دعم التفاعلات البعيدة وتغليف المعلومات الدلالية العالمية بفعالية، بل تحافظ أيضًا على تعقيد حسابي خطي، مما يوفر توازنًا بين الأداء وكفاءة الحوسبة. نظرًا لأن ماما تلتزم بطبيعتها بمبدأ الانتقائية عند بناء نماذج التسلسل، فإن الهدف هو إطلاق العنان بشكل أكبر لإمكانات ماما من خلال هذا الجمع المبتكر بين الالتفاف والانتباه الذاتي، وتحسين الدقة وتقليل عدد المعلمات مع تحقيق التعقيد الخطي. تُستخدم ماما كمرمز لتقطير المعلومات الدلالية من الصورة، ويتم تعزيزها مع كتل التلافيف، مما يحافظ على تفاصيل الصورة. في الوقت نفسه، تعمل إضافة الطلبات في مستوى أعمق على تعزيز قدرتها على التكيف لتلبية متطلبات متنوعة. أخيرًا، تم دمج آلية الانتباه ثنائية الاتجاه للاستدلال، ساعيةً للحفاظ على كل من الروابط العالمية والتفاصيل المحلية إلى أقصى حد. وهذا يؤدي إلى نموذج جديد وخفيف الوزن لتقسيم الصور الطبية. تم إجراء تجارب شاملة على ستة مجموعات بيانات عامة. تظهر النتائج التجريبية أن النموذج المقترح يظهر أداءً تنافسيًا في مهام تقسيم الصور الطبية.