阅读论文（四）

题目：

CABNet: Category Attention Block for Imbalanced Diabetic Retinopathy Grading

SCI一区

中文题目：

CABNet：用于不平衡糖尿病视网膜病变分级的类别注意块

摘要：

糖尿病视网膜病变（DR）数据集存在的一些问题：主要是病变区域小和各种等级类别数据量分布不均（分布不均导致网络注重数量多的分类级，而忽视数量少的分类级），如下两图所示，眼底照图片表面病变区域小、饼图表示在三个主要数据集上的分类等级不均，其中0和2类数据集多，1、3、4类少

一、问题的提出
首先是糖尿病视网膜病变（DR）数据集存在的一些问题：主要是病变区域小和各种等级类别数据量分布不均（分布不均导致网络注重数量多的分类级，而忽视数量少的分类级），如下两图所示，眼底照图片表面病变区域小、饼图表示在三个主要数据集上的分类等级不均，其中0和2类数据集多，1、3、4类少，影响了模型的泛化能力。

眼底小病变图像的例子。左图为原图，右图为注释图。绿色、红色、蓝色和浅蓝色边界框分别代表硬渗出物、微动脉瘤、出血和软渗出物。

 针对病变区域小（特征相似容易混淆，病变区域小卷积时容易忽略）：提出了受启发的全局注意块(Global Attention Block, GAB)，它可以学习与类别无关的全局注意特征，保留眼底图像中病灶的详细信息，同时抑制无用信息(相似的颜色和纹理)。

数据分布不均（数据分布不均，导致泛化能力变差，通道设计要么设计冗余要么缺乏类之间的多样性）：类别注意块(CAB)可以学习到特定类别的特征，并扩大不同DR等级之间的距离。更具体地说，我们假设固定数量的特征通道来代表每个DR等级，并且所有属于同一类的特征通道都是判别的，这将减少特征通道的冗余。

主要贡献总结如下：

• 提出了一种新的类别注意块(Category Attention Block, CAB)方法，以类为单位，探索每个DR等级的不同判别性区域特征，平等对待每个DR等级，减少特征冗余，减少数据分布不平衡对DR等级的影响。此外，CAB侧重于类别注意，与渠道注意和空间注意相辅相成，因此CAB可以与其他非类别注意块相结合，进一步提高DR分级的性能。
• 结合GAB和CAB两个互补的区块，提出了用于DR分级的CABNet。CABNet可以捕获详细的小病变特征，有助于DR分级，缓解数据分布不平衡的问题。
• 提出的注意力模块是一种通用的即插即用CNN模块，可用于任何骨干网，显著提高了DR评分性能。
• 在DDR、Messidor和EyePACS三个公共数据集上进行了大量实验，验证了所提出的CABNet的有效性。研究表明，CAB不仅显著提高了DR分级的性能，而且与GAB和其他注意块(包括SE (squeezy -and- excitation)、CBAM (Convolutional Block attention Module)和GC (Global Context))具有很强的互补性。

2相关工作

A.深度学习用于DR分级

B.深度学习中的注意机制

3方法

A.CABNet网络结构<