语义分割论文
论文：FCP-Net: A Feature-Compression-Pyramid Network Guided by Game-Theoretic Interactions for Medical Image Segmentation
论文地址：https://ieeexplore.ieee.org/document/9667534
IEEE Transactions on Medical Imaging(Volume: 41,Issue: 6, June 2022)
语义分割论文
摘要
尚未解决的问题：
一、主要亮点
二、网络结构
1.FCP-Net
2.An embedded feature ensemble for separableconvolution module
3.Dilated spatial mapping and channel attentionmodules
4.Branch layer fusion module
5. Decoder
四、损失函数
夏普利值（shapley value）性质与算法-toc" style="margin-left:40px;">1.合作博弈:夏普利值（shapley value）性质与算法
2.这部分其实不太懂，唉。
三、实验部分
1. 消融实验
摘要
医学图像分割是疾病诊断和分析的关键步骤，具有重要的临床应用价值。DeepLabv3 深度神经网络方法已成功应用于医学图像分割，但多层特征很少无缝集成到不同的注意机制中，很少研究和讨论医学图像分割与分类任务之间的互动。
在这里，我们提出了博弈论的相互作用引导的用于医学图像分割。该方法由分支、分支和交互分支组成。在编码阶段使用嵌入特征集成、注意膨胀空间的映射和通道(DSMCA)和分支层融合三个模块提出了新的分支策略。
这些模块可以有效地提取空间信息，有效地识别各种特征之间的空间相关性，并充分整合不同分支的多接收野生特征。在解码阶段使用DSMCA多跳接增强融合特融合特征的模块和多尺度特征集成模块。为了探索分类信息任务对分类任务的潜在好处，引入分类和交互分支。从博弈论的角度，我们进一步探讨了分和分支的相互作用，并设计了一个HLF。基于该HLF，在整个培训过程中，分割、分类和交互分支可以相互学习和教授，从而利用分割任务和分类任务之间的联合信息，提高泛化性能。利用包括ISIC2017、ISIC2018、REFUGE、Kvasir-SEG、BUSI和PH多个数据集评估了提出的模型，结果表明它比其他最先进的技术更具竞争力。
尚未解决的问题：
- attention权重的稳定性和注意机制与残余块之间的互补性尚未得到充分利用，以缓解病变分割的挑战；
- 多层次特征很少完美地集成到不同的注意机制中，这可能会导致低层次特征的冗余使用；
- 为了学习额外的特征，提高模型的泛化能力，以往的多任务学习方法通常采用模块或两步训练策略，增加了模型参数和推理的复杂性。
一、主要亮点
- 压缩金字塔网络的特点(FCP-Net)，它由空间信息、渠道信息和多尺度信息三个分支组成，如分支（主要分支）、分类和交互分支
- 博弈论的相互作用和混合损失函数(HLF)指导，通过这种互动，不同的分支可以在整个培训过程中相互学习和教授，从而利用分割任务和分类任务之间的联合信息，提高泛化性能。
二、网络结构
1.FCP-Net
提出的FCP-Net它由分割、分类和交互三个分支组成（见图1）。主要分支是医学图像分割的分支。分类分支和交互分支是探索分支和分类之间交互作用的辅助分支。在分支中，编码器网络用于学习输入数据的潜在表示，。本文提出了包括EFE、DSMCA和BLF模块。这三个组件用于：
- Embedded Feature Ensembles自适应重新校准基于上下文信息和权重的特征：。使用轻量级注意机制是为了功能。
- Dilated Spatial MappingAnd Channel Attention捕捉不同特征之间的空间相关性，专注于通道关系，以提高性能：有效地提取和使用多尺度的上下文信息。
- Branch Layer Fusion对目标进行多分支信息集成：利用BLF不同分支之间的多接收域信息集成模块。
在编码器网络加到编码器网络的末端。分类分支包括一个。交互分支提供分类分支和分支之间的交互信息。如前所述，交互分支仅在训练阶段使用。
2.An embedded feature ensemble for separable convolution module
受SE网络的启发，提出通过一个注意力机制和残差块的EFE模块用来捕获卷积层通道之间的关系；第一个组件是深度可分离卷积，然后送入squeeze and multi-excitation (SME) 中，SME是通过改进SE获得的，用来自适应地捕获信道信息。
将激活函数改为Swish，然后在全连接层之后添加Dropout层，用于。SME块的数学表达式可以表示为:
Sep的可分离卷积的输出；
深度可分离卷积（Depthwise seperable convolution）
3. Dilated spatial mapping and channel attention modules
这一模块用于，为了缓解多层次特征没有完美地融入到不同的注意力机制中。
文章说模块需要满足三个标准：
- 一种多尺度融合方法，能够对多尺度信息进行集成，并学习聚集信息的非线性相互作用
- 模块应该自适应地将局部特性与其全局依赖结合起来，比如通道注意力和位置注意力
- 模块需要尽可能少的参数
然后提出了自己的DSMCA模块，一种结合通道和多感知场空间注意机制的结构
4. Branch layer fusion module
作者为了提升不同大小病变的分割性能，使用了一个5分支融合模块来获取多感受野信息。将扩张率较大的分支与扩张率较小的分支合并以融合多范围上下文信息，融合通过“add”操作实现。
5. Decoder
之前的编码器解码器一般都是直接跳跃连接来提供信息，作者提出了一个MSFF模块来聚合多尺度上下文如上图，将四个尺度的特征由DSCMA模块独立细化通过不同的上下采样到同一尺度，进行相加操作。该模块的输出被传输到两个深度可分离的卷积层。然后进行第二次双线性上采样。与DeepLabv3+中简单的单级融合不同，MSFF模块的
四、损失函数
1.合作博弈：夏普利值（shapley value）性质与算法
2.这部分其实没有看太懂，唉。。。
三、实验部分
1. 消融实验
2.
- 需要注意的是，虽然SME板块起源于SE板块，但这两个板块有很大的不同。首先，SE块在第一密集层之后使用ReLU作为激活函数，但是。其次，EFE模块的输入通道过多。SME有助于网络聚焦重要渠道，避免过拟合。在SME区块中，我们，使得保留的通道中包含的信息更有利于模型的泛化。此外，我们还将。
- 表III列出了这些方法的度量比较。可以看出，dropout或residual方法严重影响了模型的性能，我们提出的EFE模块比没有dropout或residual块的EFE模块性能要好得多。
- 如图所示的结果清楚地表明，当SME块有dropout层时，输入分辨率的变化对权重的MSD影响不大。这说明
- DSMCA由SME块和多个扩张空间映射(DSM)块组成，该块可以沿着通道和空间分别对特征映射进行重新校准，然后合并输出。利用DSM块体探索不同特征之间的空间关系，重点关注感兴趣区域，并整合多尺度上下文信息。