图像分割论文阅读：SSN: A STAIR-SHAPE NETWORK FOR REAL-TIME POLYP SEGMENTATION INCOLONOSCOPY IMAGES

这篇论文的主要介绍了一种名为SSN（Stair-Shape Network）的网络结构，用于实时结肠镜图像中的息肉分割。

1，模型整体结构

SSN包含四个残差块（Residual Blocks）作为编码器阶段，以及简化的上采样操作作为解码器阶段。它引入双注意力模块（Dual Attention Module, DAM）和多尺度融合模块（Multi-scale Fusion Module, MFM）来增强特征融合。

2，简化的解码器

采用简化的上采样操作（即双线性插值），而不是U-Net中的多阶段上采样和卷积层，从而显著降低了计算成本。

3，DAM模块

1）在编码器和解码器之间的跳跃连接中使用，以补偿由于简化的上采样操作可能导致的特征损失。

2）DAM包含通道注意力和空间注意力，用于细化每个残差块的输出特征。

先做的是通道注意力，然后是空间注意力。

空间注意力分为两个分支，分别使用最大池化和平均池化来处理，这一步感觉像CBAM。

4，MFM模块

1）用于融合不同层次的特征，首先将三个尺度的输出特征进行连接，然后通过一个ConvBlock来融合这三个尺度的特征。

2）应用类似Squeeze-and-Excitation的结构进行更好的特征选择和组合。

5，实验结果：