论文标题：TransFuse: Fusing Transformers and CNNs for Medical Image Segmentation 论文链接：https://arxiv.org/abs/2102.08005 作者单位：Rayicer & 佐治亚理工学院 在息肉分割任务上表现SOTA！性能优于SETR、PraNet和ResUNet++等，速度高达98.7 FPS！

具有深度特征表示和跳跃连接的基于U-Net的卷积神经网络极大地提高了医学图像分割的性能。 在本文中，我们研究了更具挑战性的问题，即在不损失low-level细节的定位能力的情况下提高全局上下文建模效率的问题。 提出了一种新颖的两分支架构TransFuse，该架构以并行方式结合了Transformers和CNN。使用TransFuse，可以以较浅的方式有效地捕获全局依赖性和low-level空间细节。 此外，提出了一种新颖的融合技术-BiFusion模块，用于融合每个分支的多级特征。 TransFuse实现了息肉分割任务的最新技术，参数减少了20％，推理速度最快，约为98.7 FPS。