[论文阅读] Shallow Attention Network for Polyp Segmentation

论文地址：https://arxiv.org/abs/2108.00882
代码：https://github.com/weijun88/SANet
发表于：MICCAI’21

Abstract

准确的息肉分割对结直肠癌的诊断具有重要意义。然而，即使拥有强大的深度神经网络，仍然存在三大挑战，阻碍了息肉分割的发展。(i）在不同条件下采集的样本显示出不一致的颜色，造成特征分布差距和过拟合问题；（ii）由于反复的特征降采样，小息肉容易退化；（iii）前景和背景像素不平衡，导致训练有偏差。为了解决上述问题，我们提出了用于息肉分割的浅层注意网络（SANet）。具体来说，为了消除颜色的影响，我们设计了颜色交换操作，将图像内容和颜色解耦，迫使模型更加关注目标形状和结构。此外，为了提高小息肉的分割质量，我们提出了浅层关注模块，以过滤掉浅层特征的背景噪声。由于浅层特征的高分辨率，小息肉可以被正确地保留下来。此外，为了缓解小息肉严重的像素不平衡问题，我们在推理阶段提出了一个概率校正策略（PCS）。请注意，即使PCS不参与训练阶段，它仍然可以在有偏差的模型上很好地工作，并持续改善分割性能。在五个具有挑战性的基准上的定量和定性实验结果证实，我们提出的SANet以很大的幅度超过了以前的最先进的方法，并实现了大约72FPS的速度。

I. Architecture

注意这里只用了后三层的高级特征而放弃了前两层的低级Encoder特征。

II. Color Exchange

这算是本文提出来的最有亮点的一个trick。如果去观察数据集，我们就可以发现不同数据集的颜色其实是差挺大的(肠道颜色不同.jpg)，所以可能会造成奇怪的overfitting。但是做这个分割其实是不太关注这个颜色的，因此本文为了淡化这个影响，在训练时利用LAB空间进行了颜色的交换。

III. Shallow Attention Module

这个东西吧emmm，实在理解不了为什么会work，总之本文基本就靠这么个万一也能取得很好的效果。

硬要去理解的话还是算一种非常小型的多级特征融合与注意力模块。

IV. Probability Correction Strategy

这个可以算是对输出进行后处理的一个trick。具体来说，就是对于一些不确定的像素，“人为”给他加置信度，详细过程可以参考原文。