方法

Transformer分支

将不同尺度的特征图$t^0、t^1和t^2$保存起来，之后与对应的CNN分支的特征图融合。

CNN分支

以基于ResNet的模型为例，模型通常有五个块，每个块对特征图进行两倍下采样。我们获取第 4($g^0$) 、3($g^1$) 和第2个模块($g^2$) 的输出，来与Transformer的结果融合。

BiFusion模块

通过下面的操作获得融合的特征表征$f^i$,i=0,1,2

其中，$⨀$是矩阵对应元素相乘
通道注意力用来促进Transformer分支的全局信息；采用空间滤波器用于增强局部细节并抑制不相关区域，因为CNN的低级特征可能会带噪声；点积对来自两个分支的特征之间的细粒度交互进行建模。
为了生成最后的分割，所有的f通过门控注意力和跳跃连接结合起来，如下

损失函数

分割预测由一个简单的头生成，它直接将输入特征图调整为原始分辨率，并应用卷积层生成M个图，其中M是类数。