ARU-Net 周贤年论文解读

标签：分类   添加   family   预测   attention   提取   神经网络   防止   优化参数   

  主要工作：

• 卷积神经网络
• U-Net
• 改进注意力机制

  ARU-Net网络与U-Net一样呈对称结构，无全连接层，输入的图像大小可不相同，但输出的结果与输入的图像大小一致，对于每一个像素点进行分类，从而实现图像的分割。该网络添加残差映射和注意力机制，可以提高了特征的使用率，进而提升钩骨分割的准确率。该网络添加残差映射和注意力机制，可以提高了特征的使用率，进而钩骨分割的准确率。为了防止层数过多而导致过拟合，该网络结构采用3次下采样、3次上采样，并且保留U-Net的特征层拼接方法。在下采样或者上采样之前，需要通过残差注意力模块（Attention ResBlock）进行特征的提取。

  为了提高特征的使用率，残差注意力模块不仅采用残差映射的方式，而且还引入了通道注意力和空间注意力机制。

  在卷积神经网络反向传播中，为了在迭代过程优化参数，需要一个损失函数来计算真值和预测值之间的误差。本文采用的损失函数为二进制交叉熵损失函数。

ARU-Net 周贤年论文解读

标签：分类   添加   family   预测   attention   提取   神经网络   防止   优化参数   

原文地址：https://www.cnblogs.com/minhol/p/12076840.html