本文的目标是检测胎盘的语义轮廓，即不分割整个胎盘，只标记边缘位置。
本文的方法是在简单多尺度特征融合的基础上增加两个新模块，一个关注全局信息，一个关注局部信息。
先来看看传统的多尺度特征融合方法
在这些方法中，多尺度的特征通常是简单的直接拼接或1*1卷积后拼接。即使是最复杂的DS-FPN，信息只分为两种方式，一路累积。
本文提出的模型结构如下
在这种方法中，无论是主路径上的图像，还是发送集成图像，都要么通过GC模块，要么通过CGE模块。
GC通过1，模块关注全局信息*1卷积结合各通道的信息，然后通过softmax判断每个像素的重要性。因为softmax之后，每个像素的大小排名保持不变，得分越高，模型越被认为是前景目标。将此特征图乘以到原始图像，可以增强模型在各通道上认为重要的区域，消除模型认为非前景区域。
然后将此特征图卷积加回原图像，以增强源图像的相关区域。
在CGE在中间，因为只关注局部信息，所以使用的方法是分组卷积。这里不再重复分组卷积。具体内容请参考本博客：group convolution (分组卷积)详解
简而言之，分组卷积就是把图像和卷积核分成几组，可以减轻显存负担，因为图像的一部分只能一次放进显存操作。