SAG-Net:用于联合视盘和视杯分割的新型跳过注意力指导网络

摘要

学习特征图语义信息和位置信息对于在视网膜图像分割中产生理想的结果至关重要.最近,卷积神经网络在提取特征图有效信息方面已经表现出了强大的能力,然而,卷积和池化操作会过滤掉一些有用的信息.提出了一种新型跳过注意力指导网络SAG-Net来保存特征图语义和位置信息并指导扩展工作.在SAG-Net中,首先引入了跳过注意力门SAtt模块,将其用作敏感的扩展路径来传递先前特征图的语义信息和位置信息,不仅有助于消除噪声,还进一步减小了背景的负面影响.其次,通过合并图像金字塔保留上下文特征来进一步优化SAG-Net.在Drishti-GS1数据集上,联合视盘和视杯分割任务表明了SAG-Net的有效性.综合结果表明,SAG-Net优于原始的U-Net方法以及其他用于视盘和视杯分割的最新的方法.