本文主要是介绍图像分割论文阅读：Automatic Polyp Segmentation via Multi-scale Subtraction Network，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
这篇论文的主要内容是介绍了一种名为多尺度差值网络（MSNet）的自动息肉分割方法。
1，模型整体结构
整体结构包括编码器，解码器，编码器和解码器之间是多尺度差值模块模块（MSM），以及一个额外的不需要训练的LossNet提供额外的监督信息。（不需要训练也能有用效果这点说实话我很疑惑）
2，MSM模块
1）SU是MSM的基础构建块，定义为两个相邻层次特征图（FA和FB）之间的元素级差值，然后通过绝对值和卷积操作来计算。SU = Conv(|FA ⊖ FB|)，其中⊖表示元素级差值操作，|·|表示取绝对值，Conv(·)表示卷积层。（利用特征差值的卷积分类模型也不少，估计是作者的灵感来源）
2）为了捕获不同尺度的息肉特征，MSM通过金字塔式地连接多个SUs，这些SUs具有不同的感受野，能够计算具有不同顺序和感受野的差值特征。
3）特征融合：
跨层次差值特征和编码器输出的特征会进行融合，然后通过一个卷积层，得到互补性增强特征CE
3，LossNet
1）LossNet在多尺度差值网络（MSNet）中扮演着重要角色，其主要作用是提供从细节到结构的全面监督，以优化分割性能。
2）LossNet使用预训练的ImageNet分类网络（如VGG-16）来提取预测结果和真实标签（ground truth）的多尺度特征。这些特征被用来计算特征层级之间的差异，从而在不同层级上提供监督信号，这有助于模型在训练过程中更好地学习到图像的细节和结构信息。
3）损失函数：除了常用的分割损失（如加权IoU损失和二元交叉熵损失）之外，LossNet通过计算预测和真实标签在不同层级的特征差异来生成额外的损失（Lf）。
4，实验结果
这篇关于图像分割论文阅读：Automatic Polyp Segmentation via Multi-scale Subtraction Network的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
