Multi-Attention Convolutional Network笔记

此篇文章记录自己对2017年的ICCV一篇关于图像领域的注意力模型的理解。（论文题目《Learning Multi-Attention Convolutional Neural Network for Fine-Grained Image Recognition》）

Approach

整个结构由三部分组成，分别是特征提取的卷积层、channel grouping层和part classifier 组成。 提出了两个损失函数，一个是对于part classification loss 和对于channel grouping loss。整体架构如下所示

首先，将图片输入到MA-CNN，得到feature channels，我们假定feature channels的表达是$W\ast X$，维度为$w\ast h\ast c$。看过《Visualizing and Understanding Convolutional Networks》这篇论文的应该知道，其实每个feature map即每个feature channel都会对应于原图的某一个pattern（e.g.，头或翅膀等），所以我们会得到如上图所示的feature channel，接着对channels进行grouping，这个通过文中给的$L_{cng}$损失韩式进行聚类，会使得parts之间分离，part内部更加聚集。其中$L_{cng}$的形式如下所示
$$\begin{gathered} L_{cng}=Dis(M_i)+\lambda Div(M_i) \\ whereDis(M_i)=\sum _{(x,y)\in M_i}{m}_i(x,y)[||x-t_x|{|}^2+||y-t_y|{|}^2] \\ Div(M_i)=\sum _{(x,y)\in M_i}{m}_i(x,y)[\underset{k!=i}{\max }{m}_k(x,y)-mrg] \end{gathered}$$
其中$mrg$是指margin，估计是为了能够允许一定的overlap，这样能够有更强的泛化性能（举个例子，如汽车的灯和轮胎，他们之间很近，难免会有重叠）。从表达式很明显可以看出$Div$用于将不同part分离开，$Dis$负责使part内部更加聚集。作者通过如此的方法获得了更加具有辨别性的区域，并且从channels的丰富信息中获得了更多part，这样能够获得更强的robustness，例如当wing被遮住了，那么我们还可以通过beak等进行分类。论文提出了一种可以方便训练的grouping方法，即用两层全连接近似grouping过程。对于上图中的part attentions的计算，这里在论文中提到的方法和作者实现有点略微差别。例如我们现在设定提取N个part，论文中提到使用N个全连接，那么每个全连接我们得到一个向量：
$$d_i(X)=f_i(W\ast X)$$
向量的维度为channels的个数，其中的每个元素表示是否某个channel属于这个part，上述的损失函数会使得各个part（即表示原图中的一个region，例如beak、wing等）分开，也就是说channel会被尽可能唯一地分配给一个part。然后我们使用如下式子计算part attention：
$$M_i(X)=sigmoid(\sum _{j=1}^c{d}_j[W\ast X{]}_j)$$
其中$[{]}_j$表示$j^{th}$channel，实质上就是将属于某一个part的所有feature channels相加，得到一个比较集中的part表示，结合了多个feature channel的信息，然后对$M_i$进行标准化。进一步我们通过一种空间的池化获得part representations，如下所示
$$P_i(X)=\sum _{j=1}^c([W\ast X{]}_j\ast M_i(X))$$
上面的$\ast$是对应元素相乘，其实可以这样理解$M_i(X)$，它表示的只是对于某一个part来说，某一个像素属于这个part的probability，也之所以作者做了一下归一化（通过所有元素的和）。进一步我们使用这个part Representation通过softmax进行分类，这里作者没有说明是否还要加一层全连接，我觉得都可以，还可以使用一个卷积+全局池化或者全局池化+全连接。对于类别的损失，作者使用如下：
$$\sum _{i=1}^N[L_{cls}(Y^{(i)},Y^{\ast })]$$
其中$L_{cls}$可以是任意的一般分类损失函数，$Y^{(i)}$是第$i^{th}$ part的预测结果（是一个向量）。对于最后的预测，在这一部分作者并没有给出，可以将这些特征和整个图像的特征进行concat，然后通过一个分类层进行分类，在后面的试验中作者也是这么做的。具体实现时，作者使用了Deconvolution with bilinear type（就是使用bilinear的方式初始化卷积核的参数，然后进行卷积运算，实质就是bilinear插值）进行求解$M_i(X)$，然后与所有的feature channels按元素乘，然后进行空间pooling，最后进行了一系列的softmax操作、缩放变换，可能为了让大数值与小数值分得更清晰吧。

Optimization

作者的优化思路是基于上面两个损失函数进行的，这两个损失函数相互加强，不断迭代。先固定住b、g部分的参数，使用$L_{cng}$优化channels grouping部分。然后固定住channels grouping的参数，然后使用$L_{cls}$对b、g部分进行优化。这样不断迭代，直到两个损失值都不再变化。

Some difference

作者在给出了上面的基本模型后，又说了我们现在好的part已经可以得到了，但是由于local region太小了，难以去表示在local region里面的subtle差别，比如说鸟嘴的颜色啊等等，即我们之前使用那个$P_i(X)$不能很好地表示part Representation，因为作者的目的就是对fine-grained image进行分类，对于part内的difference是很重要的。作者的解决思路是放大part，并且加入整个图片的特征。具体做法是加入part-CNNs（作者使用了VGG19），我们首先求得$M_i(X)$，然后得到peak response point的坐标，然后切一个9696的part，将这些parts放大到224224，然后放入各自的part-CNNs中进行提取特征，然后将整个图片（根据数据集而定，有些不是整个图片）放入属于它的part-CNN中提取特征（同样使用VGG19），然后将这些特征进行concat，最后输入到一个fc layer+softmax进行最终的分类。这里作者应该是使用两个损失函数先训练前述的MA-CNN，然后能够获得好的parts后，将part和整个图片传入最后的part-CNN中进行最终的分类。

Ref：
[1]源码链接 https://onedrive.live.com/?authkey=!ADwfD7C9IwnEc9k&id=693885F2E24EFF4D!125&cid=693885F2E24EFF4D
[2]《Learning Multi-Attention Convolutional Neural Network for Fine-Grained Image Recognition》
[3] https://github.com/minfengUCAS/Muti-Attention-CNN