摘要
FCN在内的架构创新主要集中在改进空间编码或网络连接以帮助梯度流,而在本文中探索了另一种方向,即自适应的重新校准特征图,以增强有意义的特征,同时抑制弱特征。
本文是从SE模块中获得的灵感,为此引入了用于图像分割的SE模块的三种变形。(i)空间压缩和激励信道方向(cSE),(ii)空间压缩并激励信道(sSE)和(iii)并行空间和信道压缩和激励(scSE)。
Introduction
在本文中将之前引入的SE块称为通道注意力(cSE),因为它只在通道方向上有效,这种方法只对分类任务有效。
而对于图像分割任务,本文引入了另一个SE模块,它沿着通道“挤压”,并在空间上“激发”,称为空间SE(sSE),最后建议使用并行的空间和信道SE块(scSE),分别沿通道和空间重新校准特征图,然后组合输出。鼓励特征图在空间和通道方面都具有更多的信息。
方法
一:cSE-Spatial Squeeze and Channel Excitation Block
这个方法就是原来的SE模块,在本篇文章中作者将其称为cSE
其具体过程可以概述为:
1.首先将特征图通过全局平均池化方法从[C,H,W]变为[C,1,1]
2.然后依次使用C/2*1*1和C*1*1的卷积进行信息的处理,得到C维的向量。
3.然后使用Sigmod函数进行归一化,得到对应的Mask
4.最后通过通道相乘,得到经过信息校准的特征图
其结构图如下:
二:sSE-Channel Squeeze and Spatial Excitation Block
其原理过程为
1.直接对特征图使用1*1*1卷积,维度由[C,H,W]变为[1,H,W]的特征图
2.然后使用Sigmod进行激活得到空间注意力图
3.然后用得到的结果和原始的特征图相乘
其结构图如下:
三:scSE-Spatial and Channel Squeeze & Excitation Block
这个模块其实就是将前两个模块相加,其结构示意图如下:
根据示意图可以看出这个模块就是将前两个模块相加