![](https://csdnimg.cn/release/download_crawler_static/87485918/bg6.jpg)
最后, 将 4 条通道中的特征图进行合并, 然后经过 1×1 卷积, 得到稀疏的多尺度输出特征.
此外, 批量归一化和 Mish 激活函数被添加到每一次卷积操作之后.
2.2 下采样注意力模块
在深度神经网络中, 常使用步长为 2 的 3×3 卷积实现图像的下采样, 这在一定程度上
丢失了上下文中包含的特征, 造成特征图分辨率的降低和病害空间信息的损失. 为了减少下
采样过程中的信息损失, 利用注意力机制加强病害的前景响应.
挤压与激发(Squeeze and excitation, SE)
[26]
注意力模块和卷积块注意力模块
(Convolutional block attention module, CBAM)
[27]
是典型的包含注意力机制的模块设计. 在这
些注意力模块内, 首先利用全局池化将全局信息编码到通道维度上或者是空间维度上, 然后
利用多层感知器和 3×3 卷积分别解耦特征的通道相关性和空间相关性. 但是全局池化的使
用压缩了特征的维度, 造成细节信息的丢失, 这不利于裂缝病害注意力特征图的提取. 为此,
本文提出了下采样注意力模块.
文献[28]指出, 常规的卷积层在三维空间中学习提取特征, 为了简化任务, 可以利用
1×1 的卷积和 3×3 分组卷积分别映射特征的通道相关性和空间相关性. 受此启发, 本文在原
有的下采样通道上, 额外的增加了一条通道, 在该通道内, 通过 1×1 卷积和 3×3 分组卷积实
现特征间通道相关性和空间相关性的解耦, 以判断特征内不同通道及空间位置信息的重要
性; 然后在原采样特征的基础上, 对信息进行增强, 来加强裂缝的前景响应. 下采样注意力
模块可以方便地添加到任何网络框架下, 其结构如图 4 所示.