Attention！边界注意力暴力涨点，准确率近100%

2025深度学习发论文&模型涨点之——边界注意力

边界注意力模型在实验中表现出色，即使在边界信号非常弱或被噪声淹没的情况下，也能提供准确的结果。与现有方法相比，模型在较低噪音水平下表现更优，且在高噪音水平下与其他方法相媲美，同时运行速度更快。 

我整理了一些边界注意力【论文+代码】合集，需要的同学公人人人号【AI创新工场】发525自取。

论文1：

[TNNLS] Boundary-Aware Axial Attention Network for High-Quality Pavement Crack Detection

用于高质量路面裂缝检测的边界感知轴向注意力网络

方法

边界感知轴向注意力网络（BAAN）：提出了一种包含多个位置引导轴向注意力（PAA）模块的层次化编码器-解码器架构。

位置引导轴向注意力（PAA）：将全二维注意力分解为沿水平和垂直方向的两个一维注意力，嵌入位置信息以捕获更精确的空间结构。

边界正则化模块（BRM）：通过结合前景和背景信息来正则化不同空间区域之间的模糊细节。

边界细化损失（BRL）：提出了一种新的损失函数，专注于边界像素，以解决前景-背景高度不平衡的问题。

创新点

PAA模块：通过分解注意力机制，显著降低了计算复杂度，同时扩展了模型的感受野，提升了裂缝检测的准确性。例如，在CrackTree260数据集上，BAAN的AP指标比DCNNs提升了4.1%。

BRM模块：通过显式地整合前景和背景信息，提升了对裂缝边界的识别精度，例如在CrackLS315数据集上，BAAN的ODS指标比其他方法提升了6.4%。

BRL损失：通过专注于边界像素，为模型训练提供了更细粒度的指导，提升了模型对裂缝边界的检测能力，例如在Stone331数据集上，BAAN的OIS指标比其他方法提升了9.0%。

论文2：

[WACV] MEGANet: Multi-Scale Edge-Guided Attention Network for Weak Boundary Polyp Segmentation

MEGANet：用于弱边界息肉分割的多尺度边缘引导注意力网络

方法

多尺度边缘引导注意力网络（MEGANet）：提出了一种专门针对结肠镜图像中息肉分割的网络架构，包含编码器、解码器和边缘引导注意力模块（EGA）。

编码器-解码器架构：编码器负责从输入图像中捕获和抽象特征，解码器专注于显著特征的提取。

边缘引导注意力模块（EGA）：利用拉普拉斯算子增强息肉边界，通过结合编码器的特征、解码器的预测特征和高频率特征来保留边缘信息。

拉普拉斯算子：用于提取高频率特征，尤其是边缘细节，以增强对弱边界的检测。

创新点

边缘信息保留：通过拉普拉斯算子提取高频率边缘信息，显著提升了弱边界息肉的分割精度，例如在ETIS数据集上，MEGANet（ResNet-34）的mDice指标比PraNet提升了4.1%。

多尺度特征融合：EGA模块在多个尺度上运行，有效解决了低级特征和高级特征之间的语义差距问题，提升了整体分割性能。

网络性能提升：在五个基准数据集上，MEGANet在mDice、mIoU等多个指标上均优于现有的SOTA方法，且网络参数量相对较少，例如在ClinicDB数据集上，MEGANet（Res2Net-50）的mDice达到93.8%，比MSNet提升了1.7%。

论文3：

Enhancing Partially Spoofed Audio Localization with Boundary-aware Attention Mechanism

通过边界感知注意力机制增强部分伪造音频定位

方法

边界感知注意力机制（BAM）：提出了一种包含边界增强（BE）和边界帧注意力（BFA）两个核心模块的新方法。

边界增强模块（BE）：通过帧内和帧间信息的组合，提取用于边界位置检测和真实性决策的判别性边界特征。

边界帧注意力模块（BFA）：利用边界预测结果显式控制帧之间的特征交互，实现真实帧和伪造帧之间的有效区分。

预训练自监督学习模型：使用预训练的Wav2vec2或WavLM作为前端特征提取器，提升了对音频数据的表示能力。

创新点

BAM方法：首次尝试在单个CM系统中利用边界信息进行部分伪造音频定位，显著提升了定位性能，例如在PartialSpoof数据集上，BAM的EER指标达到了3.58%，比之前的最佳方法降低了2.35%。

BE模块：通过帧内和帧间特征的结合，提升了边界特征的判别能力，例如在边界检测任务中，BE模块的F1分数达到了92.25%，比仅使用帧间特征提升了0.48%。

BFA模块：通过边界预测结果显式控制帧间信息交互，进一步提升了帧级真实性决策的准确性，例如在定位任务中，BFA模块的F1分数达到了96.09%，比仅使用BE模块提升了0.08%。