Non-local Network：人类早期在CV驯服Transformer尝试 | CVPR 2018

Non-local操作是早期self-attention在视觉任务上的尝试，核心在于依照相似度加权其它特征对当前特征进行增强，实现方式十分简洁，为后续的很多相关研究提供了参考
 
来源：晓飞的算法工程笔记 公众号

论文: Non-local Neural Networks

• 论文地址：https://arxiv.org/abs/1711.07971
• 论文代码：https://github.com/facebookresearch/video-nonlocal-net

Introduction

---

  卷积操作通常在局部区域进行特征提取，想要获取范围更广的特征信息需要重复进行卷积操作来获得，这样不仅耗时还增加了训练难度。为此，论文提出高效的non-local操作，将特征图上的特征点表示为所有特征点的加权和，用于捕捉覆盖范围更广的特征信息。non-local操作也可以用于含时序的任务中，如图1的视频分类任务，可综合几帧的特征来增强当前帧的特征。
  non-local操作主要有以下优点：

• 相对于叠加卷积的操作，non-local可通过特征点间的交互直接捕捉更广的特征信息。
• 从实验结果来看，简单地嵌入几层non-local操作就能高效地提升网络性能。
• non-local操作支持可变输入，可很好地与其它网络算子配合。

Non-local Neural Networks

---

Formulation

  首先定义通用的non-local操作：

$i$为特征图上将要计算特征值的位置坐标，$j$为特征图上的所有位置坐标，$x$为对应位置上的输入特征，$y$为增强后的输出，$f$计算$i$和$j$之间的相似性，$g$则用于对$j$的特征进行转化，$\mathcal{C}$用于对输出进行归一化。
  简而言之，non-local的核心就是计算当前位置的特征与特征图所有特征间的相似性，然后根据相似性对所有特征加权输出。相对于卷积和全连接等参数固定的操作，non-local更加灵活。

Instantiations

  在实现时，函数$f$和函数$g$的选择很多。为了简便，函数$g$选择为线性变换$g(x_j)=W_g{x}_j$，$W_g$为可学习的权重矩阵，一般为$1\times 1$的卷积。而函数$f$则可以有以下选择(论文通过实验发现函数$f$的具体实现影响不大)：

• Gaussian

  $x_i^T{x}_j$为点积相似度，也可采用欧氏距离，$\mathcal{C}(x)={\sum }_{\forall j}f(x_i,x_j)$，归一化类似于softmax操作。

• Embedded Gaussian

  $\theta (x_i)=W_{\theta }{x}_i$和$\varphi (x_j)=W_{\varphi }{x}_j$为两个线性变换，$\mathcal{C}(x)={\sum }_{\forall j}f(x_i,x_j)$，这个实现与self-attention十分接近。

• Dot product

  先线性变换，然后通过点积计算相似度，$\mathcal{C}(x)=N$，有助于简化梯度计算。

• Concatenation

  直接将特征conate起来，通过权重向量$w_f^T$转化为标量输出，$\mathcal{C}(x)=N$。

Non-local Block

  将公式1的non-local操作修改成non-local block，可插入到当前的网络架构中，non-local block的定义为：

  公式6将non-local操作的输出线性变换后与原特征进行相加，类似于residual block的嵌入方式。

  non-local block的一种实现方式如图2所示，首先对$x$进行3种不同的线性变换，然后按照公式1得到输出特征，再与原特征进行相加，基本上跟self-attention是一样的。

Experiment

---

  各种对比实验，表2a为函数$f$的实现对比，可以看到影响不是很大。

  视频分类对比。

  COCO上的分割、检测、关键点对比。

Conclusion

---

  Non-local操作是早期self-attention在视觉任务上的尝试，核心在于依照相似度加权其它特征对当前特征进行增强，实现方式十分简洁，为后续的很多相关研究提供了参考。

 
 
 

如果本文对你有帮助，麻烦点个赞或在看呗～
更多内容请关注 微信公众号【晓飞的算法工程笔记】