本文介绍了一种名为ACSNet的自适应上下文选择网络，它基于编码器-解码器结构，包含LCA、GCM和ASM模块。LCA关注不确定性和复杂区域，GCM提供全局上下文，ASM通过通道注意力进行特征选择。实验结果显示了该模型在息肉分割任务中的性能。
这篇论文的主要内容是关于一种用于息肉分割的自适应上下文选择网络（Adaptive Context Selection Network，简称ACSNet）
1，模型的整体结构
模型的整体结构基于编码器-解码器框架，并且包含了三个关键模块：局部上下文注意力模块（LCA）、全局上下文模块（GCM）和自适应选择模块（ASM）。
2，LCA模块
它的主要目的是在合并浅层特征时，通过挖掘硬样本来引导网络更加关注不确定性较高和更复杂的区域，从而实现层级特征的补充和预测的精细化。
注意力权重的计算是用对应位置解码器生成的预测图和一个事先设定的阈值（比如0.5）来计算的。
计算公式：
3，GCM模块
具体结构如图，在不同尺度提取上下文，有点像PSPNet的结构。
4，ASM模块
ASM模块接收来自前一个解码器块的输出特征、LCA模块生成的局部上下文特征以及GCM模块提供的全局上下文特征。
将这几个特征拼接起来后，用通道注意力来对特征自适应选择
5，实验结果
扫一扫
763
到【灌水乐园】发言
