源码解读

class ContextGuidedBlock_Down(nn.Module):
    """
    the size of feature map divided 2, (H,W,C)---->(H/2, W/2, 2C)
    """

    def __init__(self, nIn, dilation_rate=2, reduction=16):
        """
        args:
           nIn: the channel of input feature map
           nOut: the channel of output feature map, and nOut=2*nIn
        """
        super().__init__()

        nOut = nIn * 2

        self.conv1x1 = ConvBNPReLU(nIn, nOut, 3, 2)  # size/2, channel: nIn--->nOut

        self.F_loc = ChannelWiseConv(nOut, nOut, 3, 1)
        self.F_sur = ChannelWiseDilatedConv(nOut, nOut, 3, 1, dilation_rate)

        self.bn = nn.BatchNorm2d(2 * nOut, eps=1e-3)
        self.act = nn.PReLU(2 * nOut)
        self.reduce = Conv(2 * nOut, nOut, 1, 1)  # reduce dimension: 2*nOut--->nOut

        self.F_glo = FGlo(nOut, reduction)

    def forward(self, input):
        output = self.conv1x1(input)
        loc = self.F_loc(output)
        sur = self.F_sur(output)

        joi_feat = torch.cat([loc, sur], 1)  # the joint feature
        joi_feat = self.bn(joi_feat)
        joi_feat = self.act(joi_feat)
        joi_feat = self.reduce(joi_feat)  # channel= nOut

        output = self.F_glo(joi_feat)  # F_glo is employed to refine the joint feature

        return output

模块：ConvBNPReLU，是一个卷积层，没有偏置项，先卷积，在归一化，在经过PReLU激活函数。

模块：ChannelWiseConv，是一个通道卷积操作。在标准的卷积中，每个卷积核都会跨输入特征图的所有通道进行卷积操作，这意味着输出的每个通道都是来自输入的所有通道的信息融合。在通道卷积中，每个卷积核只在对应的单个输入通道上操作，而不是跨通道。因此，每个输出通道的特征仅由对应的单个输入通道计算得出。通道卷积，对应的参数量更少，适合于移动端和嵌入式的部署。

模块：ChannelWiseDilatedConv，是一个空洞卷积，空洞卷积适用于处理具有层次化结构或多尺度特征的任务，捕捉更广泛的上下文信息。相当于扩大了卷积核，扩大的部分补0。

Relu与PRelu激活函数的对比。

模块：FGlo，nn.AdaptiveAvgPool2d(1) 是 PyTorch 中的一个自适应平均池化层，其目的是对输入的特征图进行全局平均池化操作，将空间特征转换成全局特征，使得网络能够处理不同尺寸的输入。nn.Linear（）就是一个线性变换，相当于线性代数中矩阵的乘法。

总：卷积模块ContextGuidedBlock_Down，更易用于捕获局部特征、周围上下文和全局上下文，并将这些信息融合起来以提高准确性。

修改

yaml文件

task.py文件