[深度学习从入门到女装]Adaptive feature recombination and recalibration for semantic segmentation with Fully Co

论文地址：Adaptive feature recombination and recalibration for semantic segmentation with Fully Convolutional Networks

这是一篇来自MICCAI2018，随后在IEEE Transactions on Medical Imaging再次发表的文章

文章有两个创新点

1、Recombination

线性增加feature map的数量，然后再压缩feature map的数量，是为了让网络学习到如何混合信息来生成更加特别的特征

这点觉得很像mobilenet v2里边的Inverted residuals

如上图所示，将feature map使用1*1卷积扩大channel数，然后再用1*1卷积减少channel数到原本channel数大小

2、Recalibration

SEnet其实相当于是做了cross-channel的attention，在分类网络中，很有用，效果很好

但是呢，本文提到在分割网络中，使用SEblock的效果不好，因为是对每个channel整体做权重，但是呢，分割是对spatial也就是位置信息敏感的，对整个channel做权重，那么对位置信息的提取是没有多大帮助的

因此，本文就提出了spatially adapted attention的模块，来解决对位置信息敏感

Spatially adaptive Squeeze-and-Excitation

a) Spatially adaptive Squeeze-and-Excitation for segmentation — SegSE

就是使用3*3的卷积代替se block中的global average pooling，用来获取局部信息，然后在使用dila conv来获取大的感受野

在对前一步的操作，使用1*1卷积，恢复到原始channel数，然后使用sigmoid激活函数

最后与原始feature map进行element-wise multipilication

这个操作，其实就是相当于对用dila对整个feature map做了一个权重分配

b) Variant 1 - No context

这是移除global average pooling之后的一种简单形式

直接使用1*1卷积，然后再使用1*1卷积用sigmoid激活函数

c) Variant 2 - Pooling-based context:

先使用stride和size都为p的average pooling降低分辨率，然后在使用1*1卷积，在使用transp conv（反向卷积）恢复分辨率，最后使用1*1卷积激活函数sigmoid

Recombination and Recalibration组合