论文地址：https://arxiv.org/pdf/1807.06521.pdf
代码地址：https://github.com/Jongchan/attention-module
《CBAM: Convolutional Block Attention Module》是2018年收录于cs.CV的一篇论文，文中提出在基础网络（如ResNet）的Block块中加入Attention机制的方法，以提升图片分类和目标检测效果。
之前改进图像模型的方法常常是加大网络的深度、宽度、基数（cardinality），这些都需要占用更多的资源，而CBAM引入的Attention注意力方法增加的开销非常小。
CBAM原理
注意力机制模仿人看物体时的方法：通过简单一瞥，分析图像的重要部分，然后聚焦于该位置，而不是对画面中所有区域给予同等重视。
CBAM通过之前提取到图像的feature map，在通道channel和空间spatial分别学习了What（注意什么）和Where（注意哪儿）的Attention map。基本原理如下所示：
Channel Attention Model
从卷积网络提取的特征一般是CxHxW，其中C为通道数，W和H分别为经过卷积后得到的缩小后的图片宽高，即Input Feature，将它作为输入。CBAM依次建立了1D的通道卷积层Cx1x1，和2D的空间卷积层1xHxW。公式如下：
其中⊗表示矩阵中对应元素相乘，类似对图像的mask操作，具体方法如下图所示：
在Channel Attention部分，将每一个Channel视为一种对图片的特征提取器（每个通道从图片中提取各类特征，如纹理，样式）。此处，把每一个通道中的HxW个小块通过最大池化和平均池化压缩成单块，将这两部分分别送入同一网络Mc分别计算，Mc是含有一个隐藏层的多层感知机MLP，隐藏层大小rx1x1，r通常小于通道数，引入它为了简化计算，否则，当通道数很大时，直接用全连接网络计算量太大，由此，上图中的Mc呈漏斗形。
Mc计算公式如下：
其中σ表示sigmoid函数，W1和W0分别是MLP的两层，中间夹着隐藏层h和ReLU激活函数（c->h,h->c）。通过训练，学习到参数W1和W0。
Spatial attention module
空间层用于提取内部空间的关系，计算哪一小块应该被重点关注，该层的输入是经过Channel Attention处理的数据，同样也使用了两种池化方法，分别将多个通道的值压缩到单个通道，在Spatial层经过7x7的2维卷积，计算得到对空间的加权，具体方法如下式所示。
其中σ表示sigmoid函数，f为卷积层处理（由卷积、归一化、ReLU组成）。
与CNN网络结合
下图展示了CBAM与ResNet结合的一种方式（也可以根据不同的需求加在不同位置）。
它在Block层与ResNet相结合，注意此处将Attention加入到每一个Block里面，而不是只加在最后，CBAM也由此得名：Convolutional Block Attention Module卷积块中的注意力模型。
模型效果
对ResNet50模型分别加入了AvgPool和AvgPool后，模型大小几乎没有变化，同时可以看到模型效果的提高，下表展示了加入Channel Attention后的效果：
其中AvgPool提取平均特征，MaxPool提取了显著特征，相互结合效果最好，由于它们提取的都是同种特征，因此使用了同一网络。
使用了Spatial Attention后模型效果对比如下图所示：
Channel提取的特征相对全局化，Spatial提取的特征相对局部，Channel和Spatial模块分开处理比合并处理效果更好，处理的先后顺序理论上可以互换，实验效果是Channel放在前面效果更好一些。从下图可以看到不同组合的效果。
除了提升现有模型的能力，CBAM也增强了模型对特征的提取能力，使用Grad-CAM工具分析最后一个卷积层的输出，可以看到在目标识别任务中，不同模型标识的不同重点区域，从p值可以看到，CBAM有明显的优势：
把CBAM插入到基础网络中，目标识别效果也有提高，且性能几乎不受影响。下表展示了在COCO数据集上目标识别的提升效果。
源码
从源码中可以看到Attention层在图像处理中的具体用法：先加入Attention层的计算，然后将Attention与原有特征x进行元素相乘。BCAM的核心代码不过百行，下面摘录了其Spatial Attention部分：
其最后两行，先用sigmoid计算类似门控的值，用于过滤重要部分和次要部分，然后与具体特征数据x相乘即可，非常简单直接。该部分的完整代码请见：
https://github.com/Jongchan/attention-module/blob/master/MODELS/cbam.py
以此方式，无论是使用从图片中提取的信息作为Attention，还是使用其它额外信息作为Attention加强对图片描述都非常方便。
网友评论