scse
文章目录
- 前言
- SE(cSE)
- sCE
- scCE
- 模型复杂度分析
- 分割结果展示
- 参考
前言
在分割领域,目前的网络改进方式一般是改进encoding层,或者是改进跨层连接的方式;但是此篇论文受到SE(squeeze&excitation)模块的提示,提出了另外三种模式sSE,cSE,scSE,来对网络特征进行调整,重视(加大权重)重要的特征图或者是特征通道,减小不重要特征的影响,从而改善图像分割结果。其实第三种就是第一种和第二种的粗暴结合。实验了在大脑MRI分割中的效果。
SE(cSE)
SE(squeeze&excitation)[1]核心思想在于通过网络根据loss去学习特征权重,使得有效的feature map权重大,无效或效果小的feature map权重小的方式训练模型达到更好的结果。当然,SE block嵌在原有的一些分类网络中不可避免地增加了一些参数和计算量,但是在效果面前还是可以接受的。模块如下图所示:
具体可以过程可以参考博客[2],过程其实和[1]是一样的。此处的SE即cSE,Spatial Squeeze and Channel Excitation Block,核心操作是全局池化层以及两层全连接层。本论文中图如下:
输入特征图为U=[u1,u2,...,uc],其中每个通道ui,ui∈RH∗W,U经过全局池化层(GAP)之后得到向量z,z∈R1∗1∗C
每个位置k的值为:
得到的向量经过两次全连接层,W1,W2分别为全连接层的权重,过程如下:
此处与[1]略有不同,[1]使用的是16,即C∗16C,此处为2。之后经过ReLU,这个过程增强了各个通道之间的独立性。对z^经过sigmod层,归一化到0到1之间得σ(z^)。整个过程可以用如下公式来代表:
zi^代表的信息就是第i个通道ui的重要性程度。
sCE
先在通道上进行压缩,再在空间部分上进行Excitation ,如下图所示:
对于输入层的一个特征图,U=[u1,1,u1,2,....,ui,j,.....,uH,W,],H,W分别为特征图的尺寸,(i,j)为特征图的空间位置,通过卷积实现空间挤压操作,此处的卷积为1×1的卷积,且输出通道数为1,如下:Wsq∈R1∗1∗C∗1,操作如下:
输出为q,q为通道为1的特征图,再经过sigmod对其进行归一化操作到[0-1].操作如下:
其中σ(qi,j)代表特征图中空间位置坐标(i,j)的重要性。
scCE
Spatial and Channel Squeeze & Excitation Block (scSE),即以上两者的结合,如下图所示:
还是比较通俗易懂的操作。
模型复杂度分析
【TODO】
分割结果展示
参考
[1]Hu, J., Shen, L. and Sun, G. Squeeze-and-excitation networks. In CVPR 2018.
[2]https://blog.csdn.net/yimingsilence/article/details/79233650
相关阅读
后台回复“1814
论文解析 - SLAM++: Simultaneous Localisation and M
SLAM++: Simultaneous Localisation and Mapping at the Level of Objects 0. 论文概况 引用:331, CVPR2013 Renato F. Salas-Mor
1.以正文为首页添加页码,目录、封皮无页码首先,鼠标光标放在正文第一行。点击页面布局->分隔符->下一页,在当前页之前会出现一张空白
推荐大家一个靠谱的论文检测平台。重复的部分有详细出处以及具体修改意见,能直接在文章上做修改,全部改完一键下载就搞定了。怕麻烦
论项目进度管理 【摘要】 2015年5月开始,我参加了公司面向17年销售的XXXXX机新机型的开发,并担任项目经理的工作。本项目在15年XXX