本文介绍了论文《Concurrent Spatial and Channel ‘Squeeze & Excitation’ in Fully Convolutional Networks》中的scSE模块，这是一种用于语义分割的注意力机制。scSE结合了cSE（通道注意力）和sSE（空间注意力），通过全局平均池化和卷积操作提炼特征，提高特征的表达能力。在两个医学数据集上的实验表明，scSE模块能带来2-9%的性能提升，特别是在语义分割边缘平滑和细粒度分割上表现优异。
CV中的Attention机制 语义分割中的scSE模块
1、Concurrent Spatial and Channel ‘Squeeze & Excitation’ in Fully Convolutional Networks
论文：Concurrent Spatial and Channel ‘Squeeze & Excitation’ in Fully Convolutional Networks
代码：
提出scSE模块论文的全称是：《Concurrent Spatial and Channel ‘Squeeze & Excitation’ in Fully Convolutional Networks 》。这篇文章对SE模块进行了改进，提出了SE模块的三个变体cSE、sSE、scSE，并通过实验证明了了这样的模块可以增强有意义的特征，抑制无用特征。实验是基于两个医学上的数据集MALC Dataset和Visceral Dataset进行实验的。
语义分割模型大部分都是类似于U-Net这样的encoder-decoder的形式，先进行下采样，然后进行上采样到与原图一样的尺寸。其添加SE
订阅专栏 解锁全文
2547
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
