SA2-Net：面向显微图像分割的尺度感知注意力网络
计算机视觉与模式识别
2023-11-21 v3 人工智能
摘要
显微图像分割是一项具有挑战性的任务，其目标是为给定显微图像中的每个像素分配语义标签。尽管卷积神经网络(CNNs)构成许多现有框架的基础，它们往往难以显式捕获长程依赖。尽管Transformer最初被设计利用自注意力解决此问题，但已证明局部与全局特征对于应对显微图像中的多样挑战（包括形状、尺寸、外观及目标区域密度的变化）均至关重要。本文中，我们引入SA2-Net，一种注意力引导方法，利用多尺度特征学习有效处理显微图像内的多样结构。具体而言，我们提出尺度感知注意力(SA2)模块，旨在捕获显微区域（如细胞）尺度与形状的内在变化以实现准确分割。该模块在多阶段特征的每一层融入局部注意力，以及跨多分辨率的全局注意力。此外，我们通过引入称为自适应上采样注意力(AuA)模块的新型上采样策略，解决区域边界（如细胞边界）模糊问题。该模块利用显式注意力机制增强判别能力以改善显微区域的定位。在五个挑战性数据集上的大量实验证明了我们SA2-Net模型的优势。我们的源代码公开于\url{https://github.com/mustansarfiaz/SA2-Net}。
引用
@article{arxiv.2309.16661,
title = {SA2-Net: Scale-aware Attention Network for Microscopic Image Segmentation},
author = {Mustansar Fiaz and Moein Heidari and Rao Muhammad Anwer and Hisham Cholakkal},
journal= {arXiv preprint arXiv:2309.16661},
year = {2023}
}
备注
BMVC 2023 accepted as oral