AUNet: Attention-guided dense-upsampling networks for breast mass segmentation in whole mammograms

![image.png](https://qiita-image-store.s3.ap-northeast-1.amazonaws.com/0/482094/9ab682b1-93e2-a5e9-69dc-b98c4696a57e.png)

乳がんをsemantic segmentationする論文があったので読んでみた。

Unetとほとんど同じ形をしてるのだが、Upsample Blockを改善したらしいので見ていきたいと思う。

新規性

upsampling block

![image.png](https://qiita-image-store.s3.ap-northeast-1.amazonaws.com/0/482094/52c0f196-ab10-bb95-ace0-980355259c04.png) Unetで使われているDeconvolution(up-conv 2x2)ってそんなに効率的じゃないから、biliner-upsample(inteporlation)で十分でしょ。

これが超ベーシックのbilinear upsampling block

high-level(Global)とlow-level(Local)の特徴量を両方とも取り出す為にupsampling blockをこんな感じにしたらしい。

ちょっと投げやりだけど、concatだけよりsumもあった方が良いでしょって感じ。
dense upsampling convolutionと言うらしい。
*あんまり細かい事は書いてなかった

次にGlobal Average Poolingした結果をチャネル毎にかけてますが、
channel-wise attentionと言う。
重みをつけてどのchannelに注目するかを決める手法。

結果

![image.png](https://qiita-image-store.s3.ap-northeast-1.amazonaws.com/0/482094/652a6c45-96ea-c834-8623-b1e56475c6a7.png) Unetより遥かに良い

結論

・Unetを模倣していた。・Deconvolutionよりbiliner upsampleの方が効率的・dense upsampling convolutionをしてbiliner upsampleの足りない所を補完・channel-wise attentionをupsampling blockに入れてみた

こういうシンプルなネットワークを改善した論文は勉強になるから好き。

参考文献

AUNet: Attention-guided dense-upsampling networks for breast mass segmentation in whole mammograms https://arxiv.org/pdf/1810.10151.pdf