Residual Attention Network for Image Classification阅读笔记 - 视觉注意力机制在分类任务的应用

Paper Reading Note

URL: https://zpascal.net/cvpr2017/Wang_Residual_Attention_Network_CVPR_2017_paper.pdf

TL;DR

该文章提出了一种残差注意力网络用于图像分类任务，在当时的多个分类数据集取得了SOTA结果。

---

Dataset/Algorithm/Model/Experiment Detail

数据集

使用的数据集包括CIFAR-10、CIFAR-100、IMAGENET三个经典分类任务数据集，其中CIFAR-10和CIFAR-100数据量偏少，IMAGENET代表这图像分类最大的数据集。

实现方式

• attention效果展示图，可明显看出基于soft attention mask，在低层次的特征图中天空的噪声被滤除掉，高层次中的有效热气球特征得到加强
  

• 作者所提出的模型的整体架构，包含三个attention module，每个module包含mask（掩码）分支和trunk（主干）分支。
  

• mask分支采用bottom-up加上top-down的方式来生成和trunk分支出来的特征图尺寸一致的mask，然后通过以下公式得到经过attention操作的输出
  

• 同时，作者认为mask分支在反向传播训练过程中对梯度的attention能够一定程度降低错误label所带来的影响
  

• 更详细看两个分支的结构，左边的mask分支其实就是生成一个掩码作用于右边主干分支提取的feature上
  

• 该方法比较重要的贡献就在于平常的用于attention的mask掩码往往经过sigmoid操作到0-1之间后不便于多个attention module进行叠加，这会导致feature map值越来越小，导致精度降低，而像以下引用resnet恒等映射的方式可以缓解这个问题
  

实验结果

• 在三个主要分类数据集上都取得了SOTA结果，同事随着attention module的层数不断增加，精度也不断提升
  

Thoughts

Attention机制在某种层面来看是符合人类大脑分析视觉信息时的方式，在基于attention的神经网络中，它使用顶部信息来指导自下而上的前馈过程。其实我们需要attention最希望能够看到的就是它能够滤出feature中不重要的噪声信息，同时加强feature中的有用信息，这篇文章就通过引入了mask branch 和trunk branch结合的方式达到了这个需求。同时它整合spatial attention和channel attention的方式也值得借鉴。但是如果进一步减低对于模型计算量的提升还需要进一步研究。