【东南大学学报 ( 自然科学版 )】基于双注意力模块的FDA-DeepLab 语义分割网络

基于双注意力模块的FDA-DeepLab 语义分割网络

1.摘要

提出两个问题

1.针对 DeepLabv3 +对相似对象容易误判、小目标容易遗漏、预测输出存在空洞等问题
2.针对训练样本的非均衡性问题
训练数据中各种类别样本数量差别过大，导致训练的模型对各个类别预测或分类的精度偏差比较大，比如电池故障预测，故障的数据量远远少于正常数据量，但是这些故障数据反而更重要。

本文提出的解决方法

1.设计了一种结合通道注意力机制和空间注意力机制的特征融合模块
2.通过引入样本难度权重调节因子和类别权重改进了损失函数

2.引言

1.多层的连续池化和下采样操作，产生空间信息缺失的问题
2.介绍前人如果对该问题进行解决，主要是两大途径，一是空洞卷积的提出(扩大感受野)，二是引入编码器-解码器结构
3.介绍本文研究方法

3.FDA-DeepLab网络

创新点：1.通道注意力模块和空间注意力模块融合使用。2.在交叉熵损失函数中引入权重系数，解决样本不均衡的问题。

焦点损失函数

通过损失函数来解决样本不平衡问题,我的理解就是通过某种方法使得不同类别的样本对于模型学习中的Loss（或梯度）贡献是比较均衡的。那么作者就是在原本的交叉熵函数中增添了一个权重调节因子( 1 － p t ) γ以抵消样本类别不平衡和样本分类难度不平衡的影响，从而提升模型精确度，其表达式为

双注意力模块结构：

<