几篇较新的计算机视觉Self-Attention

Attention注意力，起源于Human visual system（HVS），个人定义的话，应该类似于 外界给一个刺激Stimuli，然后HVS会第一时间产生对应的saliency map，注意力对应的应该就是这个显著性区域。

这其中就涉及很多bottom-up 及top-down 的physiological 原理~总的来说，就是 区域权值学习问题：

1. Hard-attention，就是0/1问题，哪些区域是被attentioned，哪些区域不关注

2. Soft-attention，[0,1]间连续分布问题，每个区域被关注的程度高低，用0~1的score表示

Self-attention自注意力，就是feature map 间的自主学习，分配权重（可以是spatial，可以是temporal，也可以是channel间）

[1] Non-local NN, CVPR2018

FAIR的杰作，主要inspired by 传统方法用non-local similarity来做图像denoise

主要思想也很简单，CNN中的convolution单元每次只关注邻域kernel size 的区域，就算后期感受野越来越大，终究还是局部区域的运算，这样就忽略了全局其他片区（比如很远的像素）对当前区域的贡献。

所以non-local blocks 要做的是，捕获这种long-range 关系：对于2D图像，就是图像中任何像素对当前像素的关系权值；对于3D视频，就是所有帧中的所有像素，对当前帧的像素的关系权值。

网络框架图也是简单粗暴：

文中有谈及多种实现方式，在这里简单说说在DL框架中最好实现的Matmul 方式：

1. 首先对输入的feature map X 进行线性映射（说白了就是1*1*1 卷积，来压缩通道数），然后得到θ，Φ，g特征

2. 通过reshape操作，强行合并上述的三个特征除通道数外的维度，然后对θ，Φ进行矩阵点乘操作，得到类似协方差矩阵的东西（这个过程很重要，计算出特征中的自相关性，即得到每帧中每个像素对其他所有帧所有像素的关系）

3. 然后对自相关特征 以列or以行（具体看矩阵g 的形式而定） 进行Softmax 操作，得到0~1的weights，这里就是我们需要的Self-attention 系数

4. 最后将attention系数，对应乘回特征矩阵g 中，然后再上扩channel 数，与原输入feature map X 残差一下，完整的bottleneck

嵌入在action recognition 框架中的attention map 可视化效果：

图中的箭头表示，previous 若干帧中的某些像素 对最后图（当前帧）的脚关节像素的贡献关系。由于是soft-attention，其实每帧每个像素对对其有贡献关系，图中黄色箭头是把响应最大的关系描述出来。

总结

Pros：non-local blocks很通用的，容易嵌入在任何现有的2D 和3D 卷积网络里，来改善或者可视化理解相关的CV任务。比如前不久已有文章把non-local 用在 Video ReID [2]的任务里。

Cons：文中的结果建议把non-local 尽量放在靠前的层里，但是实际上做3D 任务，靠前的层由于temporal T 相对较大，构造θ，Φ及点乘操作那步，超多的参数，需要耗费很大的GPU Memory~ 可后续改善

[2] Interaction-aware Attention, ECCV2018

美图联合中科院的文章

这文章扯了很多Multi-scale 特征融合，讲了一堆story，然并卵；直接说重点贡献，就是在non-local block 的协方差矩阵基础上，设计了基于PCA 的新loss，更好地进行特征交互。作者认为，这个过程，特征会在channel维度进行更好的non-local interact，故称为Interaction-aware attention

那么问题来了，怎么实现 通过PCA来获得Attention weights呢？

文中不直接使用 协方差矩阵的特征值分解 来实现，而是使用下述等价形式：

根据上面公式约束，设计了Interaction-aware loss来增强channel间的non-local交互：

其中A 为需要学习的attention weights，X 为输入的feature map

整体的Attention Block框架图和non-local 基本一致：

~ 有点小区别是，在X 和Watten 点乘后，还加了个b 项，文中说这里可看作data central processing (subtracting mean) of PCA

动作识别的主网络就与non-local中直接使用I3D 不同，这里是使用类似TSN 的采样Segment形式输入，然后使用2D网络提特征，再统一在Attention block进行时空聚合

[3] CBAM: Convolutional Block Attention Module, ECCV2018

这货就是基于 SE-Net [5]中的Squeeze-and-Excitation module 来进行进一步拓展，

具体来说，文中把channel-wise attention 看成是教网络Look 'what’；而spatial attention 看成是教网络Look 'where'，所以它比SE Module 的主要优势就多了后者

我们先看看SE-module：

流程：

1. 将输入特征进行Global AVE pooling，得到1*1* Channel

2. 然后bottleneck特征交互一下，先压缩channel数，再重构回channel数

3. 最后接个sigmoid，生成channel 间0~1的attention weights，最后scale 乘回原输入特征

再看看CBAM ：

Channel Attention Module，基本和SE-module 是一致的，就额外加入了Maxpool 的branch。在Sigmoid 前，两个branch 进行element-wise summation 融合。

Spatial Attention Module, 对输入特征进行channel 间的AVE 和Max pooling，然后concatenation，再来个7*7大卷积，最后Sigmoid

[4] CDANet, 2018

最近才在arXiv挂出来的，把Self-attention的思想用在图像分割，可通过long-range上下文关系更好地做到精准分割。

主要思想也是上述文章CBAM 和non-local 的融合变形：

把deep feature map进行spatial-wise self-attention，同时也进行channel-wise self-attetnion，最后将两个结果进行element-wise sum 融合。

这样做的好处是：

在CBAM 分别进行空间和通道self-attention的思想上，直接使用了non-local 的自相关矩阵Matmul 的形式进行运算，避免了CBAM 手工设计pooling，多层感知器 等复杂操作。

总的来说，上述几个Attention module很容易嵌入到现有的网络框架中，而CBAM 特别轻量级，也方便在端部署，也可再cascade一下temporal attention，放进video 任务里用~~

估计后续学术界会有很多基于它们的变形和应用，哈哈~

Reference:

[1] Xiaolong Wang, Ross Girshick, Abhinav Gupta, Kaiming He, Non-local Neural Networks, CVPR2018

[2]Xingyu Liao, Lingxiao He, Zhouwang Yang, Video-based Person Re-identification via 3D Convolutional Networks and Non-local Attention，2018

[3]Yang Du, Chunfeng Yuan, Bing Li, Lili Zhao, Yangxi Li, Weiming Hu，Interaction-aware Spatio-temporal Pyramid Attention Networks for Action Classification, ECCV2018

[4] CSanghyun Woo, Jongchan Park, Joon-Young Lee, In So Kweon, BAM: Convolutional Block Attention Module, ECCV2018

[5]Jie Hu, Li Shen, Gang Sun，Squeeze-and-Excitation Networks, ILSVRC 2017 image classification winner; CVPR 2018 Oral

[6]Jun Fu et al., Dual Attention Network for Scene Segmentation, 2018