一文讀懂CV中的注意力機(jī)制

CV注意力機(jī)制

Non-local ~ SE ~ CcNet ~ GC-Net ~ Gate ~ CBAM ~ Dual Attention ~ Spatial Attention ~ Channel Attention ~ ...

【只要你能熟練的掌握加法、乘法、并行、串行四大法則，外加知道一點(diǎn)基本矩陣運(yùn)算規(guī)則（如：HW * WH = HH）和sigmoid/softmax操作，那么你就能隨意的生成很多種注意力機(jī)制】

• 空間注意力模塊?(look where)?對特征圖每個位置進(jìn)行attention調(diào)整，(x,y)二維調(diào)整，使模型關(guān)注到值得更多關(guān)注的區(qū)域上。
• 通道注意力模塊?(look what)?分配各個卷積通道上的資源，z軸的單維度調(diào)整。

Non-local Neural Networks

論文：https://arxiv.org/abs/1711.07971v1

計算機(jī)視覺領(lǐng)域注意力機(jī)制的開篇之作。提出了non-local operations，使用自注意力機(jī)制建立遠(yuǎn)程依賴。- local operations: 卷積(對局部領(lǐng)域)、recurrent(對當(dāng)前/前一時刻)等操作。- non-local operations用于捕獲長距離依賴（long-range dependencies），即如何建立圖像上兩個有一定距離的像素之間的聯(lián)系，如何建立視頻里兩幀的聯(lián)系，如何建立一段話中不同詞的聯(lián)系等。Non-local operations 在計算某個位置的響應(yīng)時，是考慮所有位置 features 的加權(quán)——所有位置可以是空間的，時間的，時空的。

1. Non-local 定義

其中x表示輸入信號（圖片，序列，視頻等，也可能是它們的features），y表示輸出信號，其size和x相同。f(xi,xj)用來計算i和所有可能關(guān)聯(lián)的位置j之間pairwise的關(guān)系，這個關(guān)系可以是比如i和j的位置距離越遠(yuǎn)，f值越小，表示j位置對i影響越小。g(xj)用于計算輸入信號在j位置的特征值。C(x)是歸一化參數(shù)。理解：?i 代表的是當(dāng)前位置的響應(yīng)，j 代表全局響應(yīng)，通過加權(quán)得到一個非局部的響應(yīng)值。

Non-Local的優(yōu)點(diǎn)是什么？

• 提出的non-local operations通過計算任意兩個位置之間的交互直接捕捉遠(yuǎn)程依賴，而不用局限于相鄰點(diǎn)，其相當(dāng)于構(gòu)造了一個和特征圖譜尺寸一樣大的卷積核, 從而可以維持更多信息。
• non-local可以作為一個組件，和其它網(wǎng)絡(luò)結(jié)構(gòu)結(jié)合，經(jīng)過作者實(shí)驗(yàn)，證明了其可以應(yīng)用于圖像分類、目標(biāo)檢測、目標(biāo)分割、姿態(tài)識別等視覺任務(wù)中，并且效果有不同程度的提升。
• Non-local在視頻分類上效果很好，在視頻分類的任務(wù)中效果可觀。

論文中給了通用公式，然后分別介紹f函數(shù)和g函數(shù)的實(shí)例化表示：

• g函數(shù)：可以看做一個線性轉(zhuǎn)化（Linear Embedding）公式如下：

是需要學(xué)習(xí)的權(quán)重矩陣，可以通過空間上的1×1卷積實(shí)現(xiàn)（實(shí)現(xiàn)起來比較簡單）。

• f函數(shù)：這是一個用于計算i和j相似度的函數(shù)，作者提出了四個具體的函數(shù)可以用作f函數(shù)。

1.Gaussian function 2. Embedded Gaussian 3. Dot product 4. Concatenation

2. Non-local block

實(shí)際上是一個卷積操作，它的輸出channel數(shù)跟x一致。這樣以來，non-local操作就可以作為一個組件，組裝到任意卷積神經(jīng)網(wǎng)絡(luò)中。

3. 實(shí)驗(yàn)

• 文中提出了四個計算相似度的模型，實(shí)驗(yàn)對四個方法都進(jìn)行了實(shí)驗(yàn)，發(fā)現(xiàn)了這四個模型效果相差并不大，于是有一個結(jié)論：使用non-local對baseline結(jié)果是有提升的，但是不同相似度計算方法之間差距并不大，所以可以采用其中一個做實(shí)驗(yàn)即可，文中用embedding gaussian作為默認(rèn)的相似度計算方法。
• 作者做了一系列消融實(shí)驗(yàn)來證明non local NN的有效性：
• 對比四個計算相似度模型，并無太大差異；
• 以Resnet50為例：對比non-local模塊加在不同stage下的結(jié)果，在2，3，4stage處提高較大，可能由于第五層空間信息較少；
• 對比加入non-local模塊數(shù)量的結(jié)果，越多性能越好，但速度越慢；作者認(rèn)為這是因?yàn)楦嗟膎on-local block能夠捕獲長距離多次轉(zhuǎn)接的依賴。信息可以在時空域上距離較遠(yuǎn)的位置上進(jìn)行來回傳遞，這是通過local models無法實(shí)現(xiàn)的；
• 時間、空間及時空域上做non-local，效果均有提升；
• non-local VS 3D卷積，non-local更有效率，且性能更好；
• non-local和3D conv是可以相互補(bǔ)充的；
• 更長的輸入序列，所有模型在長序列上都表現(xiàn)得更好。

Squeeze-and-Excitation Networks

論文：https://arxiv.org/abs/1709.01507

很多前面的工作都提出了以空間維度提升網(wǎng)絡(luò)的性能，比如inception結(jié)構(gòu)獲取不同感受野信息、inside-outside結(jié)構(gòu)更多考慮上下文信息、空間注意力機(jī)制等。是否有其他層面去提升性能？？

SENet是首個提出從channel-wise層面提出Squeeze-and-Excitation模塊的通道注意力機(jī)制，可以自適應(yīng)調(diào)整各通道的特征響應(yīng)值。

網(wǎng)絡(luò)應(yīng)用于分類，如何應(yīng)用到分割上？

1. SE模塊

網(wǎng)絡(luò)結(jié)構(gòu)如下所示：

• Squeeze?使用全局平均池化(也可用其他方式)生成通道信息統(tǒng)計，實(shí)現(xiàn)通道描述;

將全局空間信息壓縮為一個通道描述符；

• Excitation?實(shí)現(xiàn)方式要靈活，且必須能學(xué)習(xí)一個非互斥的關(guān)系

使用了sigmoid激活函數(shù)的門限機(jī)制來實(shí)現(xiàn)，使權(quán)重在(0,1)上

最后通過一個scale的操作將所求的權(quán)重乘上原來每個通道的二維特征上

訓(xùn)練全連接網(wǎng)絡(luò)學(xué)習(xí)到每個特征通道的權(quán)重，權(quán)重可以顯示地建模特征通道的相關(guān)性。

2. 實(shí)驗(yàn)

SE模塊可以應(yīng)用到inception、resblock等多種結(jié)構(gòu)，非常靈活。

消融實(shí)驗(yàn)非常完備，實(shí)驗(yàn)結(jié)果也是當(dāng)時的STOA，奪得了ILSVRC2017的冠軍。（較為簡略，具體看論文）

3. 結(jié)論

SE模塊能夠動態(tài)自適應(yīng)完成在通道維度上對原始特征進(jìn)行重標(biāo)定，首次關(guān)注了模型通道層面的依賴關(guān)系。另外，由SE塊產(chǎn)生的特征重要性值是否能用于網(wǎng)絡(luò)剪枝（模型壓縮）。

CBAM: Convolutional Block Attention Module

論文：https://arxiv.org/pdf/1807.06521.pdf

代碼：https://github.com/luuuyi/CBAM.PyTorch

論文Introduction部分提出了影響卷積神經(jīng)網(wǎng)絡(luò)模型性能的三個因素：深度、寬度、基數(shù)。并且列舉了一些代表新的網(wǎng)絡(luò)結(jié)構(gòu)，比如和深度相關(guān)的VGG和ResNet系列，和寬度相關(guān)的GoogLeNet和wide-ResNet系列，和基數(shù)相關(guān)的Xception和ResNeXt。

除了這三個因素之外，還有一個模塊，也能影響網(wǎng)絡(luò)的性能，這就是attention——注意力機(jī)制。

動機(jī)：所以文章提出了兩個注意力機(jī)制的模塊，分別是channel attention module和spatial attention module。通過級聯(lián)方式連接起來。模塊較為靈活，可以嵌入到ResBlock等。

1. Channnel attetion module(通道注意力模塊)

通道注意力模塊主要是探索不同通道之間的feature map的關(guān)系。每一個通道的feature map本身作為一個特征檢測出器(feature detetor)，通過這個通道注意力模塊來告訴模型，我們更應(yīng)該注意哪一部分特征。

同時使用average-pooling和max-pooling聚合空間維度特征，產(chǎn)生兩個空間維度描述符。隨后經(jīng)MLP(fc+Relu+fc)+sigmoid層(和SE-Net相同，只是squeeze操作多了一步max pooling)，為每個通道產(chǎn)生權(quán)重，最后將權(quán)重與原始未經(jīng)channel attention相乘。

2. Spatial attention module(空間注意力模塊)

利用空間注意力模塊來生成一個spatial attention map，用來利用不同特征圖之間的空間關(guān)系，以此來使模型注意特征圖的哪些特征空間位置。

網(wǎng)絡(luò)應(yīng)用于分類，如何應(yīng)用到分割上？

1. 這一次是在軸的方向上對不同特征圖上相同位置的像素值進(jìn)行全局的MaxPooling和AvgPooling操作，分別得到兩個spatial attention map并將其concatenate，shape為[2, H, W]。
2. 再利用一個7*7的卷積對這個feature map進(jìn)行卷積。后接一個sigmoid函數(shù)。得到一個語言特征圖維數(shù)相同的加上空間注意力權(quán)重的空間矩陣。
3. 最后把得到的空間注意力矩陣對應(yīng)相乘的原特征圖上，得到的新的特征圖。

3. 實(shí)驗(yàn)

• Comparison of different channel attention methods：

用maxpooling與avgpooling一起比SENet(僅用avgpooling)效果更好。

• Comparison of different spatial attention methods：

使用7x7卷積核的原因是具有更大的感受野，還有個人認(rèn)為小卷積核可能會造成一些特征圖的confusion。

• Combining methods of channel and spatial attention:

整體的消融實(shí)驗(yàn)。

Dual Attention Network for Scene Segmentation

論文：https://arxiv.org/pdf/1809.02983.pdf

雖然上下文融合有助于捕獲不同比例的對象，但卻無法利用全局視圖中對象之間的關(guān)系。容易忽略不顯眼的對象，或是沒有綜合考慮各個位置的聯(lián)系和相關(guān)性，致使分割的類內(nèi)不一致性，產(chǎn)生誤分割。對于語義分割，每個通道的map相當(dāng)于是對每一類的響應(yīng)，因此對于通道間的相關(guān)性也應(yīng)著重考慮。

為解決這一問題，提出了雙注意力網(wǎng)絡(luò)（DANet），基于自注意力機(jī)制來分別捕獲空間維度和通道維度中的特征依賴關(guān)系。具體而言，本文在dilated FCN上附加了2種注意力模塊，分別對空間維度和通道維度上的語義依賴關(guān)系進(jìn)行建模。

應(yīng)用于分割的注意力網(wǎng)絡(luò)，空間注意力模塊與通道注意力模塊并聯(lián)連接，最終將兩個模塊的結(jié)果進(jìn)行elementwise操作。在特征提取處，作者對ResNet做出以下改動，將最后的downsampling取消，采用空洞卷積來達(dá)到即擴(kuò)大感受野又保持較高空間分辨率的目的，最終的特征圖擴(kuò)大到了原圖的1/8。

1. Position Attention Module(PAM)

位置注意力模塊旨在利用任意兩點(diǎn)特征之間的關(guān)聯(lián)，來相互增強(qiáng)各自特征的表達(dá)。

2. Channel Attention Module(CAM)

每個high level特征的通道圖都可以看作是一個特定于類的響應(yīng)，通過挖掘通道圖之間的相互依賴關(guān)系，可以突出相互依賴的特征圖，提高特定語義的特征表示。

為了進(jìn)一步獲得全局依賴關(guān)系的特征，將兩個模塊的輸出結(jié)果進(jìn)行相加融合，獲得最終的特征用于像素點(diǎn)的分類。

3. 總結(jié)

總的來說，DANet網(wǎng)絡(luò)主要思想是 CBAM 和 non-local 的融合變形。把deep feature map進(jìn)行spatial-wise self-attention，同時也進(jìn)行channel-wise self-attetnion，最后將兩個結(jié)果進(jìn)行 element-wise sum 融合。

在 CBAM 分別進(jìn)行空間和通道 self-attention的思想上，直接使用了 non-local 的自相關(guān)矩陣 Matmul 的形式進(jìn)行運(yùn)算，避免了 CBAM 手工設(shè)計 pooling，多層感知器等復(fù)雜操作。

參考：

1. https://blog.csdn.net/elaine_bao/article/details/80821306
2. https://zhuanlan.zhihu.com/p/102984842
3. https://zhuanlan.zhihu.com/p/93228308
4. https://zhuanlan.zhihu.com/p/106084464
5. https://blog.csdn.net/wumenglu1018/article/details/95949039
6. https://blog.csdn.net/xh_hit/article/details/88575853