admin管理员组

文章数量:1530334

Comprehensive Attention Convolutional Neural Networks for Explainable Medical Image Segmenta

IEEE early access

这篇论文总体来说创新性不大——CNN用于分割，引入注意力机制。但文章所解决的问题特别有针对性。

github：https://github/HiLab-git/CA-Net

下面直接进入方法部分：

 

III METHODS 

A. 在CNN中引入综合注意力机制

注意力机制主要是针对特征图的空间位置、通道数和尺度，并选择UNet作为backbone，它是一个端到端的网络，有编解码和跳跃连接结构。

CA-Net注意力模块如下：

  • 4个空间注意力模块SA1-4：把前景和背景像素点区分出来，并引入多尺度空间注意力机制，SA1作用在低分辨率，SA2-2作用在其它分辨率的双路注意力机制上。

（补充解释：Non-local-Block，参考https://zhuanlan.zhihu/p/110668476，某一像素点处的响应是其他所有点处的特征权重和，将每一个点与其他所有点相关联，实现non-local 思想）

  • 4个通道注意力模块CA1-4：相关度高的通道被赋予更大的权重（而不像SE block那样通过全局平均池化获取通道的权重），对于两个支路我的理解是，在每个（展开为全连接层的）channel上分别计算平均值和最大值，

  • 1个尺度注意力模块LA：不同尺度的特征图和对象间存在不同的相关性，所以让网络适应这些不同尺度可以进一步适应不同大小的输入。

这一模块的输入是Unet在解码期间不同尺度上采样的特征图经过不同倍数增大（方法是二次样条插值）后concat在一起的结果，这里的gama有两种，一种是scale-wise，即在4个scale上学出来的4个系数；另一种是pixel-wise，是在concat的结果上每个像素点都学习出来的系数。

本文标签： 笔记论文CANET

版权声明：本文标题：CA-Net论文阅读笔记 内容由热心网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：https://m.elefans.com/dianzi/1725898247a1047909.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。