论文地址：Attention U-Net: Learning Where to Look for the Pancreas
这是一篇使用attention模块对U-Net进行改进，从而进行医学图像分割的论文
这个attention模块其实给我感觉特别像SENet里边对每个channel进行权重加权的模块，只不过这篇文章是对feature map中每个pixel进行加权，以达到突出显著特征的作用
改进后的U-Net如图所示
attention模块用在了skip connection上，原始U-Net只是单纯的把同层的下采样层的特征直接concate到上采样层中，改进后的使用attention模块对下采样层同层和上采样层上一层的特征图进行处理后再和上采样后的特征图进行concate
attention模块
F代表哪一层的channel数，通俗来看就是使用下采样层同层的特征图和上采样层上一层的特征图进行一个pixel权重图的构建，然后再把这个权重图对下采样层同层的特征图进行处理，得到进行权重加权的特征图
使用公式来表达就是：
下采样层同层的特征图，进行1*1*1卷积运算得到
上采样层上一层的特征图，进行1*1*1卷积运算得到
将上两步得到的特征图和
进行相加后在进行ReLu得到
（
），
为ReLU**函数
随后在使用1*1*1卷积运算得到
最后对进行sigmoid**函数得到最终的attention coeffficients（
）
梯度传导过程如下：