ترجمه فارسی مقاله معماری گروهی در تقسیم بندی پولیپ

چکیده

In this research, we revisit the architecture of semantic segmentation and evaluate the models excelling in polyp segmentation. We introduce an integrated framework that harnesses the advantages of different models to attain an optimal outcome. More specifically, we fuse the learned features from convolutional and transformer models for prediction, and we view this approach as an ensemble technique to enhance model performance. Our experiments on polyp segmentation reveal that the proposed architecture surpasses other top models, exhibiting improved learning capacity and resilience. The code is available at https://github.com/HuangDLab/EnFormer.

چکیده به فارسی (ترجمه ماشینی)

در این تحقیق ، ما دوباره معماری تقسیم بندی معنایی را مرور می کنیم و مدلهای عالی در تقسیم بندی پولیپ را ارزیابی می کنیم.ما یک چارچوب یکپارچه را معرفی می کنیم که مزایای مدل های مختلف را برای دستیابی به یک نتیجه بهینه به دست می آورد.به طور خاص ، ما ویژگی های آموخته شده را از مدل های Convolutional و Transformer برای پیش بینی فیوز می کنیم و این روش را به عنوان یک روش گروه برای تقویت عملکرد مدل می بینیم.آزمایش های ما در مورد تقسیم بندی پولیپ نشان می دهد که معماری پیشنهادی از سایر مدل های برتر پیشی می گیرد و از ظرفیت یادگیری بهبود یافته و مقاومت برخوردار است.این کد در https://github.com/huangdlab/enformer در دسترس است.