arXiv cs.AI· Suncheng Xiang, Xiaoyang Wang, Junjie Jiang, Hejia Wang, Dahong Qian·· 9 天前AI 评分13
GPF-Net：用于结肠镜息肉重识别的门控渐进融合学习
GPF-Net: Gated Progressive Fusion Learning for Polyp Re-Identification
AI 导读
研究提出门控渐进融合网络 GPF-Net，通过全连接门控机制选择性整合多层级特征，并引入门控渐进融合策略实现语义信息的逐层细化与多层级特征交互。在标准基准上的实验表明，该多模态设置优于当前最优的单模态 ReID 模型，尤其在小息肉匹配场景下表现更佳。该工作已被 BIBM2026 接收。
正文 · AI 翻译
摘要：结肠镜息肉重识别（ReID）旨在从不同视角和不同相机拍摄的大量图像库中匹配同一息肉，在结直肠癌预防和治疗的计算机辅助诊断中起着关键作用。然而，高层特征的粗粒度往往限制了在小息肉上的性能，而细粒度细节对于准确匹配至关重要。为应对这一挑战，我们提出了一种新颖的多模态特征融合架构，称为门控渐进融合网络，它通过全连接门控机制选择性地整合来自多个层级的特征。在此框架基础上，我们引入了一种门控渐进融合策略，能够逐层细化语义信息，促进多层级特征交互，从而增强泛化能力和鲁棒性。在标准基准上的大量实验表明，多模态设置优于最先进的单模态 ReID 模型，尤其是与所提出的针对通用场景定制的融合策略相结合时。
| 评论： | 被 BIBM2026 接收 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2512.21476 [cs.CV] |
| （或 arXiv:2512.21476v2 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2512.21476 arXiv 颁发的 DOI，通过 DataCite |
提交历史
来自：Suncheng Xiang [查看电子邮件]
[v1]
2025年12月25日星期四 02:40:46 UTC（2,524 KB）
[v2]
2026年10月8日星期四 09:21:10 UTC（2,495 KB）
来源：arXiv cs.AI · arxiv.org