基于Unet增加注意力模块GHPA和bridge GAB模块实现了50K参数量下的高精度分割
论文数据集基于ISIC2017和ISIC2018的皮肤分割，属于较为单一背景下的大目标分割，根据个人实验场景复杂及前景相对较小时loss收敛极慢。
模型结构
GHPA
在深层使用线性注意力模块GHPA提高模型能力
- 用了 逐通道的 Hadamard 乘积（逐元素相乘）；
- 分别在空间 (
xy) 和两个轴向 (zx,zy) 上引入可学习的参数； - 使用了 深度卷积（Depthwise Conv） 和 点卷积（1×1 Conv） 来提取局部特征。
这些操作偏向 局部建模与调制（modulation），是类似 CNN 的坐标注意力（Coordinate Attention）、轴向注意力（Axial Attention）、或某些变种的“仿 Attention 模块”
GAB
特征融合桥接模块，主要用于将两个不同尺度的高分辨率 xh 、低分辨率 x1 输入通过局部调制和注意力机制结合并注入 mask 信息，使用分组通道 + 空洞卷积增强局部感受野，最终生成与 x1 尺寸一致的新融合特征。
