每日Attention学习16——Multi-layer Multi-scale Dilated Convolution

模块出处

[CBM 22] [link] [code] Do You Need Sharpened Details? Asking MMDC-Net: Multi-layer Multi-scale Dilated Convolution Network For Retinal Vessel Segmentation

---

模块名称

Multi-layer Multi-scale Dilated Convolution (MMDC)

---

模块作用

多尺度特征提取与融合

---

模块结构

---

模块思想

与传统的编码器-解码器结构相比，更好的分割模型应该使其编码器能够尽可能多地获取全局信息。然而，这通常受到小感受野应用的限制，因此传统编码器学习的图像特征包含的全局信息不足。多尺度膨胀卷积可以在一定程度上解决这个问题。但是，它仍然存在以下缺点：1）相应的图像大小通常是单一的，可能会错过不同尺度的全局信息，2）由于多层信息组合效率低下，可能会丢失更多的血管细节，特别是影响眼底图像中那些小血管的分割。为了解决这两个问题，我们提出了 MMDC 模块并将其插入 U-Net 模型的 skip 连接中。与 MSDC 或其他类似方法不同，我们的 MMDC 模块基于一种新颖的级联模式，将不同尺度组合在一起，并融合了多层特性，以更好地解决上述问题。因此，与其他工作不同，MMDC 通过提出的级联模式实现了相对更大的感受野，这有助于提取更多的全局信息并更好地完成视网膜血管分割。此外，所提出的 MMDC 模块是完全即插即用的。

---

模块代码

import torch.nn.functional as F
import torch.nn as nn
import torch


class MMDC(nn.Module):
    def __init__(self, out_channels):
        super().__init__()
        self.conv3_1 =  nn.Conv2d(out_channels*2,out_channels*2, kernel_size=1)
        self.conv3_3_1 =  nn.Sequential(nn.Conv2d(out_channels*2,out_channels*2, kernel_size=3, padding=1, dilation=1),
                                        nn.ReLU(inplace=