该模型设计的思想就是利用attention机制，在普通ResNet网络中，增加侧分支，侧分支通过一系列的卷积和池化操作，逐渐提取高层特征并增大模型的感受野，前面已经说过高层特征的激活对应位置能够反映attention的区域，然后再对这种具有attention特征的feature map进行上采样，使其大小回到原始feature map的大小，就将attention对应到原始图片的每一个位置上，这个feature map叫做 attention map，与原来的feature map 进行element-wise product的操作，相当于一个权重器，增强有意义的特征，抑制无意义的信息。

图像盲去运动模糊一直是计算机视觉领域的一个经典问题，它的目的是在模糊核未知的情况下恢复清晰图像。考虑到更大的感受野以及多尺度信息对恢复清晰图像中的全局信息以及局部细节信息具有重要作用，因此提出的方法对DeblurGAN方法进行改进，提出一种基于条件生成对抗网络的GR-DeblurGAN（granular residual DeblurGAN）的单图像盲去运动模糊方法，采用细粒度残差模块（granular residual block）作为骨干网络，以此在不增加参数量的情况下，扩大感受野，获得多尺度信息。最后在两个广泛使用的数据集：GoPro数据集以及Kohler数据集上进行算法性能评估，并与代表性算法进行对比。从实验结果可以看出，提出的方法改进效果明显，并且在计算开销上面优于其他算法。

使用tensorflow简单实现了残差网络的block模块以及 bottleneck模块，并在cifar-10数据集上进行了简单测试

针对医学图像分割中网络深度过深和上下文信息欠缺导致的分割精度降低等问题,提出了一种基于改进U-Net的磁共振成像(MRI)脑肿瘤图像分割算法。该算法通过嵌套残差模块和密集跳跃连接组成一种深度监督网络模型。为了减小编码路径和解码路径特征图之间的语义差距,将U-Net中的跳跃连接改为多类型的密集跳跃连接;为了解决网络过深导致的退化问题,加入残差模块,以防止网络梯度消失。实验结果表明,本算法分割肿瘤整体、肿瘤核心、增强肿瘤的Dice系数分别为0.88、0.84、0.80,满足临床应用的需求。

在之前的残差模块中bn的使用在激活函数之后，修改后在激活之前，并且在使用残差模块时一般在其之前会有一个卷积（池化可以有也可没有），在之后会有一个平均池化，这次的测试进行了修改，并且有一定效果