MA-Unet：一种基于多尺度与注意力机制的改进 Unet 用于医学图像分割
图像与视频处理
2020-12-22 v1 计算机视觉与模式识别
摘要
尽管卷积神经网络（CNNs）正推动医学图像语义分割的发展，标准模型仍存在一些不足。首先，跳跃连接操作中编码器与解码器子网络的特征映射存在较大的语义差异。其次，远程特征依赖未被有效建模。第三，不同尺度的全局上下文信息被忽略。在本文中，我们尝试通过添加注意力门（AGs）来消除跳跃连接操作中的语义歧义，并利用注意力机制将局部特征与其对应的全局依赖相结合，显式建模通道间的依赖关系，并使用多尺度预测融合以利用不同尺度的全局信息。与其他最先进的分割网络相比，我们的模型在引入更少参数的同时获得了更好的分割性能。
引用
@article{arxiv.2012.10952,
title = {MA-Unet: An improved version of Unet based on multi-scale and attention mechanism for medical image segmentation},
author = {Yutong Cai and Yong Wang},
journal= {arXiv preprint arXiv:2012.10952},
year = {2020}
}
备注
13 pages, 5 figures, 2 tables