目标检测neck算法之MPCA和FSA的源码实现

使用BIBM2024 Spatial-Frequency Dual Domain Attention Network For Medical Image Segmentation的Frequency-Spatial Attention和Multi-scale Progressive Channel Attention改进neck.
接下来，我将讲解它的源码操作的实现，结构的设计哲学，已经代码复现需要的一些基本功知识

它的结构如下

MPCA

首先是，MPCA部分的复现

Multi-scale Progressive Channel Attention（MPCA） 是 SF-UNet 中提出的核心模块之一，目标是解决医学图像中多尺度目标（如病灶形状大小不一）难以统一感知的问题。

它的输入是两个不同维度的特征图F1,F2

1

在MPCA操作中，先对F1,F2各自先进行了一个池化（自适应平均池化），然后各自经过一层11卷积*

🎯 哲学解释：
✅ 让每个通道“发言”总结自己的全图表现
GAP 是一种无参、结构不敏感的压缩方式：让每个通道用“平均值”代表自己，是信息保留最少失真的手段。
1×1 Conv 起到通道间的线性映射作用，让网络学会哪些通道更重要，哪些可以忽略。
🔍 本质目的：
将原始空间大特征 → 转为一个压缩的、通道维度的表示。
为后续注意力建模打下基础。

2

然后得到了两个新的F1,F2，进行了一个通道维度上的拼接
再经过一次11卷积操作和一个sigmoid操作*

🎯 哲学解释：
✅ 注意力的本质，是“资源分配”——哪一维特征更值得被关注
将两个层级的通道信息拼接，就是在做一种“横向对比”：看看同一语义在不同层级的表现。
用一个 1×1 卷积 + Sigmoid 激活，模拟一个资源管理者，决定哪些通道重要。
在 MPCA 中使用 Sigmoid，是为了让注意力权重具备【0-1连续调控能力】，既能表达通道重要性，又能保持稳定训练，是“柔性关注”的理性选择。
🔍 本质目的：
构建一个统一的注意力空间 ，融合并评估多尺度通道的重要性。

3

解耦注意力，分别分配给两组特征，将A分成，A1,A2

🎯 哲学解释：
✅ 统一评估，分别赋能
一开始统一建模注意力，是为了发现全局规律。
后续分别赋值，是为了保留不同层级的语义差异性。
🔍 本质目的：
防止“高低层特征被统一抹平”，而是给予它们独立但协同的注意力增强。

4

将A1,A2与原始的特征图P1,P2进行了通道乘法，
然后对维度较小的新的F2进行上采样，再对二者相加融合

🎯 哲学解释：
✅ 让网络“专注”于更有信息量的通道
注意力机制的核心作用：抑制冗余，强化关键。
每个通道根据其权重，被动态地放大或抑制。
✅ 融合不同层级的信息 —— 细节 + 语义
高层特征 ：抽象语义强，但空间分辨率低。
低层特征：细节丰富，但语义弱。
将两个做加法融合，是在“补短板”：
用高层补语义
用低层保定位

🔍 本质目的：
为下游融合操作打下干净、结构明确的基础。
实现信息的多尺度整合，提升最终表达能力。

MPCA代码复现

class MPCA(nn.Module):def __init__(self, input_channel1=128, input_channel2=64, gamma=2, bias=1):super(MPCA, self).__init__()self.input_channel1 = input_channel1self.input_channel2 = input_channel2self.avg1 = nn.AdaptiveAvgPool2d(1)self.avg2 = nn.AdaptiveAvgPool2d(1)kernel_size1 = int(abs((math.log(input_channel1, 2) + bias) / gamma))kernel_size1 = kernel_size1 if kernel_size1 % 2 else kernel_size1 + 1kernel_size2 = int(abs((math.log(input_channel2, 2) + bias) / gamma))kernel_size2 = kernel_size2 if kernel_size2 % 2 else kernel_size2 + 1kernel_size3 = int(abs((math.log(input_channel1 + input_channel2, 2) + bias) / gamma))kernel_size3 = kernel_size3 if kernel_size3 % 2 else kernel_size3 + 1self.conv1 = nn.Conv1d(1, 1, kernel_size=kernel_size1, padding=(kernel_size1 - 1) // 2, bias=False)self.conv2 = nn.Conv1d(1, 1, kernel_size=kernel_size2, padding=(kernel_size2 - 1) // 2, bias=False)self.conv3 = nn.Conv1d(1, 1, kernel_size=kernel_size3, padding=(kernel_size3 - 1) // 2, bias=False)self.sigmoid = nn.Sigmoid()self.up = nn.ConvTranspose2d(in_channels=input_channel2, out_channels=input_channel1, kernel_size=3, stride=2,padding=1, output_padding=1)

首先是类的属性的设置
这部分代码搭建了一些我们后面进行操作需要用到的积木，定义了一些积木的参数。
参数 比较多，自己看代码吧
积木
1*1卷积，
sigmoid，
卷积核大小的自适应公式，
上采样操作
还有一些pytorch的基本操作函数

项目	内容
函数定义	nn.AdaptiveAvgPool2d(output_size)
参数	output_size=1 表示输出为 (1, 1)，即每个通道输出一个值
输入形状	(B, C, H, W)
输出形状	(B, C, 1, 1)
功能说明	全局平均池化（GAP），提取每个通道的全局统计量，压缩空间信息
在 MPCA 中作用	把特征图每个通道压缩成一个标量，作为通道的重要性代表，供后续注意力机制使用

项目	内容
函数定义	nn.Conv1d(in_channels, out_channels, kernel_size, padding, bias)
常见用法	nn.Conv1d(1, 1, k, padding=(k−1)//2, bias=False)
输入形状	(B, 1, C)：表示一个 batch，每个样本有 1 条通道长度为 C 的序列
输出形状	(B, 1, C)（由于 padding 保持长度）
功能说明	对通道维度进行一维卷积建模，常用于轻量通道注意力（如 ECA）
在 MPCA 中作用	捕捉通道间的局部依赖关系，相当于局部注意力增强，而非全连接建模（像 SE 那样）

项目	内容
函数定义	nn.Sigmoid()
输入范围	任意实数
输出范围	(0, 1)，对每个元素作用
功能说明	激活函数，压缩权重到 [0,1]，可视为门控机制或注意力权重归一化
在 MPCA 中作用	将通道注意力权重限制为 0~1，表示“保留程度”或“重要性”，供后续乘法使用

项目	内容
函数定义	nn.ConvTranspose2d(in_channels, out_channels, kernel_size, stride, padding, output_padding)
输入形状	(B, C_in, H_in, W_in)
输出形状	通常为 (B, C_out, H_out, W_out)，根据公式计算（与反卷积有关）
功能说明	**反卷积（上采样）**操作，用于恢复空间分辨率
在 MPCA 中作用	将低分辨率特征上采样到高分辨率尺度，便于与高分辨率分支进行融合

接着就是积木的使用

 def forward(self, x1, x2):x1_ = self.avg1(x1)x2_ = self.avg2(x2)x1_ = self.conv1(x1_.squeeze(-1).transpose(-1, -2)).transpose(-1, -2).unsqueeze(-1)x2_ = self.conv2(x2_.squeeze(-1).transpose(-1, -2)).transpose(-1, -2).unsqueeze(-1)x_middle = torch.cat((x1_, x2_), dim=1)x_middle = self.conv3(x_middle.squeeze(-1).transpose(-1, -2)).transpose(-1, -2).unsqueeze(-1)x_middle = self.sigmoid(x_middle)x_1, x_2 = torch.split(x_middle, [self.input_channel1, self.input_channel2], dim=1)x1_out = x1 * x_1x2_out = x2 * x_2x2_out = self.up(x2_out)result = x1_out + x2_outreturn result

FSA

符号	名称	操作含义	PyTorch 对应函数	应用场景与设计哲学
◯ ©	Concatenation（拼接）	沿某一维度连接两个特征图（通常是通道维）	torch.cat([x1, x2], dim=1)	表示“信息融合但不混合”，保持两个输入的独立性；多尺度融合、跳跃连接常见
⊕ (+)	Element-wise Addition（逐元素加法）	对应位置的像素/通道值相加	x1 + x2 或 torch.add(x1, x2)	特征叠加、残差连接；设计哲学是“增加信息但不改变结构”
⊗ (×)	Element-wise Multiplication（逐元素乘法）	对应位置值相乘，一般用于注意力机制	x1 * x2	常用于 attention，哲学是“信息调制”：重要的地方乘大值，不重要的抑制为零

FSA（Frequency Self-Attention）是一种将频域思想引入注意力机制的结构，其核心设计哲学是：
用频域信息替代空间卷积建模局部或全局依赖，提升特征表达效率与感受野，同时减少参数与计算负担。

它的输入是一个特征图，然后设计了两条分支

1

一条对特征图分别进行平均池化和最大池化（通道维度上的）然后进行拼接
然后对拼接得到的特征图进**行33卷积+sigmoid**再与原来的特征图进行相乘
得到一个全局注意力权重*

🎯 哲学解释：
✅ 多视角空间描述，增强局部判别性
最大池化 → 强调显著响应区域
平均池化 → 提取整体分布
合并后用卷积提取空间注意力，聚焦有用区域
🔍 本质目的：
用轻量级方式计算出空间中“该关注哪里”的地图，强化表达焦点。

2

频谱转换 + 频段分离
低频 × 可学习滤波器 + 高频重建
还原回空间域

🎯 哲学解释：
✅ 引入频域视角，识别隐藏结构特征
空间卷积对某些全局模式（如周期、纹理）难以建模，频域天然适合解析这类结构。
✅ 区分高频与低频的语义责任
高频：边缘、边界、细节
低频：轮廓、结构、全局分布
✅ 构建可调的结构增强模块
网络不是直接使用低频，而是学习一个与上下文适配的滤波器 N，作用于低频后再叠加。
✅ 细节与轮廓协同建构表达
高频直接注入，低频经过选择性增强，两者互补。
✅ 频域不是目标，是路径
网络最终还是要在空间域完成识别任务，因此必须将频域的增强信息解码为空间模式。

🔍 本质目的：
✅把输入特征拆解成两个语义功能不同的成分，分别处理，便于后续有针对性的增强。
✅构建一个能根据语境灵活强调结构区域的机制，既保留细节，又提升语义稳定性。
✅实现频域增强 → 空间域可用的表达迁移。

3

注意力加权 + 残差融合
频域增强图 × 空间注意力图 A → 输出图

🎯 哲学解释：
✅ 二次精炼表达结果，强化重点区域
加权增强区域，再残差加回来，保证新特征兼具稳定性与判别性。
✅ 残差哲学：让网络自己决定保留多少原始信息
不是完全覆盖，而是“加法式的优化”——不抛弃、不盲从。
🔍 本质目的：
提供频域视角的可控增强路径 + 空间域的局部精调，最终保持信息一致性和增强表达力。

FSA代码复现

class FSA(nn.Module):def __init__(self, ratio=10, input_channel=64, size=512):super(FSA, self).__init__()self.agf = Adaptive_global_filter(ratio=ratio, dim=input_channel, H=size, W=size)self.sa = SpatialAttention()def forward(self, x):f_out = self.agf(x)sa_out = self.sa(x)result = f_out + sa_outreturn result

首先还是准备积木，
Adaptive_global_filter
SpatialAttention()

class Adaptive_global_filter(nn.Module):def __init__(self, ratio=10, dim=32, H=512, W=512):super().__init__()self.ratio = ratioself.filter = nn.Parameter(torch.randn(dim, H, W, 2, dtype=torch.float32), requires_grad=True)self.mask_low = nn.Parameter(data=torch.zeros(size=(H, W)), requires_grad=False)self.mask_high = nn.Parameter(data=torch.ones(size=(H, W)), requires_grad=False)def forward(self, x):b, c, h, w = x.shapecrow, ccol = int(h / 2), int(w / 2)mask_lowpass = self.mask_lowmask_lowpass[crow - self.ratio:crow + self.ratio, ccol - self.ratio:ccol + self.ratio] = 1mask_highpass = self.mask_highmask_highpass[crow - self.ratio:crow + self.ratio, ccol - self.ratio:ccol + self.ratio] = 0x_fre = torch.fft.fftshift(torch.fft.fft2(x, dim=(-2, -1), norm='ortho'))weight = torch.view_as_complex(self.filter)x_fre_low = torch.mul(x_fre, mask_lowpass)x_fre_high = torch.mul(x_fre, mask_highpass)x_fre_low = torch.mul(x_fre_low, weight)x_fre_new = x_fre_low + x_fre_highx_out = torch.fft.ifft2(torch.fft.ifftshift(x_fre_new, dim=(-2, -1))).realreturn x_out

class SpatialAttention(nn.Module):  # Spatial Attention Moduledef __init__(self):super(SpatialAttention, self).__init__()self.conv1 = nn.Conv2d(2, 1, kernel_size=7, padding=3, bias=False)self.sigmoid = nn.Sigmoid()def forward(self, x):avg_out = torch.mean(x, dim=1, keepdim=True)max_out, _ = torch.max(x, dim=1, keepdim=True)out = torch.cat([avg_out, max_out], dim=1)out = self.conv1(out)out = self.sigmoid(out)result = x * outreturn result

本人思考

MPCA这个机制实际上是首先对不同维度的特征图分别处理，进行1*1卷积加权，得到了该特征图再不同维度信息的注意力，接着对不同维度进行拼接，加权，解耦，又融合了不同维度之间的注意力，再应用到原特征图上。经二者融合的结果去代替分辨率高的特征图。
我的想法：
进行每次操作时都是原特征图作为输入，可以考虑将更新后的特征图作为输入，类似于FPN的操作。（自顶向下）

最顶层的MPCA操作是最顶层已经它的下采样的特征图作为输出，实际上可能会丢失一部分信息，考虑进行通道注意之后直接输出。

考虑引进残差设计机制，因为注意力机制可能过拟合/抑制有效通道：
如果注意力模块学习出了错误的通道权重分布，可能会误伤关键通道，导致特征退化。

对于FSA机制我有一些还未解决的疑惑
进行频域的操作到底是增大了还是减小了计算量
残差融合机制的变体

对比项	逐元素加法 +	逐元素乘法 ×
稳定性	✅ 高：不抑制原始特征	❌ 低：容易导致特征被压制
可解释性	✅ 恒等映射 + 增量学习	✅ 类 attention 门控
用途	标准残差结构	注意力残差、门控机制等
适合场景	深层网络训练稳定	有注意力权重参与的精调操作
风险	可能累加噪声	可能压制有效特征或梯度消失