粗读PraNet: Parallel Reverse AttentionNetwork for Polyp Segmentation

        本文架构如上图，十分简单明了。

        通过RA模块，将深层的特征图做sigmoid处理，使其接近但不是二值图像，然后转变灰度，并将处理后的特征图直接与浅一层的特征图相乘。

        这样做是因为模型在经过基层处理和深度监督后，已经基本能学会大致分割出病灶了，此时特征图中病灶为白，背景为黑。翻转灰度后，病灶为黑，背景为白。两种特征图相乘，要么是病灶分割得太小，导致翻转后的特征图的黑色部分太小，白色部分太大，那么相乘后的图像就会保留病灶边缘部分（这一点可以自己画图想象一下），经过Conv处理后，便会突出边缘部分。将Conv后的结果加回特征图，便可得到被突出了边界的特征图。经过几层处理后，边界便十分明显，便于分割。

        紫色的部分是深度监督，即GT会resize后与多层特征图而不仅仅是输出结果相比较来计算Loss，这样做有利于让模型在单次推理中尽早勾勒出正确的形状，让RA模块中得到的突出部分是边缘而不是其他无关部位。