【Pranet】论文及代码解读——cfsong
- 模型框架
整体模型架构
2、Res2Net50
Res2Net是在原始的ResNet的基础上加入了一个scale (s = 4)维度，将原始的3×3（通道数是n）滤波器替换成一组有w个通道的3×3滤波器
3、Paralleled Connection
该模块包含两部分：一部分是扩大感受野的RFB-like multi-scale module ，
|
|
4.反转注意力模块：
- 模型训练
- 模型测试
实验结果：
5. 模型框架
输入一息肉图像X，X={Tensor:(1,3,352,352)}，大小为352*352，3通道；
X~X4作为五个级别特征，其中X2,X3,X4作为高级特征；
X2_rfb，X3_rfb，X4_rfb通过一个并联连接来聚合高级特征：
ra5_feat对应图中Global Map
ra5_feat={Tensor:(1,1,44,44)},其会作为反向注意模块（Reverse Attention， RA）的输入。
其中，ra5_feat的大小改变，lateral_map_5={Tensor:(1,1,352,352)}作为损失函数的输入。
在RA中，
Crop_4={Tensor:(1,1,11,11)}
X={Tensor：(1,1,11,11)}
X={Tensor:(1,2048,11,11)}
，其中X={Tensor：（1,1,11,11）}
lateral_map_4={Tensor:(1,1,352,352)}，lateral_map_4会作为损失函数的输入和下一次RA的输入；
循环以上过程，得到 lateral_map_5={Tensor:(1,1,352,352)}；
lateral_map_4={Tensor:(1,1,352,352)}；
lateral_map_3={Tensor:(1,1,352,352)}；
lateral_map_2={Tensor:(1,1,352,352)}；作为损失函数的输入。
6.对比
Ablation Study消融实验
根源于20世纪60年代和70年代的实验心理学领域，其中动物的大脑部分被移除以研究其对其行为的影响。
含义：设立对照组的意思，通过去除某个模块的作用，来证明该模块的必要性，如果消融实验后得到结果不好或者性能大幅下降，说明该模块起到了作用。
在本节中，作者在可见和不可见的数据集上测试PraNet的每个组件，以提供对模型的更深入了解。
首先评估了并行部分解码器（PDD）的重要性。从表4中，作者观察到2号（主干+PPD）优于1号（主干），这清楚地表明并行机制对于提高性能是必要的。请注意，原文的PPD仅适用于部署在高级功能上，大大缩短了训练的时间（请参阅表3）。
第二部分评估了反向注意模块（RA）的重要性。结果列在表4的第一列和第三列。作者观察到No.3改善了CVC-612的主体部分的（No.1）性能，将平均相似系数从0.747增加到0.888，可信度0.735增加到0.912。这些改进表明，引入反向注意模块可以使原文中的模型准确区分真正的息肉组织。
最后评估了前两部分组合的结果。作者测试了No.4（PPD+RA+主干网）的性能。如图所示在表4中，PraNet（第4位）通常优于其他设置（第1-3位）。此外，PraNet在所有测试数据集上的表现都优于之前的四种模型，其中显著改进（>5%），使其成为一个健壮、统一的体系结构有助于推动息肉分割的未来研究。
7.结论
本文提出了一种新的结构PraNet，用于从结肠镜图像中自动分割息肉。
优点1：准确
大量实验证明在五个具有挑战性的数据集中，PraNet的表现始终大大优于所有最先进的方法（>5%）。此外，PraNet实现了一个高精度的目标（平均相似系数=0.898），无需任何预处理和后续处理。
优点2：灵活
PraNet具有通用性和灵活性，这意味着可以添加更有效的模块，以进一步提高精度。与目前排名靠前的SFA模型相比，PraNet可以实现强大的学习能力，泛化能力强，实时分割效率高。