ARU-Net 周贤年论文解读

  主要工作:

  • 卷积神经网络
  • U-Net
  • 改进注意力机制

  ARU-Net网络与U-Net一样呈对称结构,无全连接层,输入的图像大小可不相同,但输出的结果与输入的图像大小一致,对于每一个像素点进行分类,从而实现图像的分割。该网络添加残差映射和注意力机制,可以提高了特征的使用率,进而提升钩骨分割的准确率。该网络添加残差映射和注意力机制,可以提高了特征的使用率,进而钩骨分割的准确率。为了防止层数过多而导致过拟合,该网络结构采用3次下采样、3次上采样,并且保留U-Net的特征层拼接方法。在下采样或者上采样之前,需要通过残差注意力模块(Attention ResBlock)进行特征的提取。

  为了提高特征的使用率,残差注意力模块不仅采用残差映射的方式,而且还引入了通道注意力和空间注意力机制。

  在卷积神经网络反向传播中,为了在迭代过程优化参数,需要一个损失函数来计算真值和预测值之间的误差。本文采用的损失函数为二进制交叉熵损失函数。

  

posted @ 2019-12-21 14:29  minhol  阅读(124)  评论(0编辑  收藏