基于全局学习相对偏移量的可变形卷积模块用于眼底血管分割

可变形卷积通过学习偏移量来自适应地改变卷积核的形状，从而处理复杂的形状特征。我们提出了一种新颖的即插即用可变形卷积模块，该模块使用注意力机制和前馈网络来学习偏移量，以便可变形模式能够捕获长距离的全局特征。与以前存在的可变形卷积不同，所提出的模块学习亚像素位移场，并对所有通道上的特征图进行自适应变形，而不是直接变形卷积核，这等价于对卷积核采样网格的相对变形，实现了全局特征变形和卷积核大小与学习网络的解耦。考虑到眼底血管具有全球自相似的复杂边缘，我们基于所提出的卷积模块构建了一个用于眼底血管分割的深度学习模型GDCUnet。在相同的配置和统一的框架下进行的经验评估表明，GDCUnet在公共数据集上取得了最先进的性能。进一步的消融实验表明，所提出的可变形卷积模块能够更显著地学习眼底血管的复杂特征，增强了模型的表示和泛化能力。该模块类似于常规卷积的界面，我们建议将其应用于具有复杂全局自相似特征的更多机器视觉任务。