目的：为了提高神经网络的多尺度能力。
自动聚焦层根据处理后的上下文信自适应的改变有效感受野的大小，以生成更强大的特征。这是通过并行处理多个具有不同扩张率的卷积层来实现的，并结合一个注意力机制。这个机制学习关注由上下文驱动的最佳尺度。通过共享并行卷积的权重，使得网络的尺度不变，并且参数的数量只要少数的增加。所提出的自动聚焦层可以很好的集成到现有的模型当中，从而提高模型的表示能力。
为有效的捕获图像的上下文信息而提出的网络框架大致可以分为3类。第一种：多尺度图像金字塔。对图像进行下采样和不同分辨率的处理。第二种类型使用一个编码器，逐步降低采样以捕获更多的上下文，然后使用一个解码器，学习对分割进行上采样，使用跳过连接组合多尺度上下文（UNet网络）第三种：提出了扩展卷积来处理更大的上下文信息并且无需对特征图进行下采样。
自动聚焦层与ASPP结构的不同之处
自动聚焦层不是天真的从所有尺度聚集特征，而是以数据驱动的方式自适应的选择最佳尺度来关注。自动聚集层使用注意力机制表示处理图像的不同位置时每个比例的重要性
计算的注意图，每个比例尺一个，作为在该比例尺提取的模式的过滤器。自动对焦还增强了网络的可解释性，因为注意力地图揭示了它如何在局部“放大或缩小”以分割不同的上下文
自动聚焦层
对图像中不同大小的对象进行分类可能需要局部信息和全局信息的不同组合
结论
提出了一种用于生物医学图像分割的自动聚焦卷积层。自动聚焦层能够以数据驱动的方式适应网络在不同空间位置的感受野。卷积层可以集成到现有的网络架构中，只需要少量增加模型参数就可以大幅提高其表示能力。