CNN中特征融合的一些策略

Introduction

特征融合的方法很多.如果数学化地表示，大体可以分为以下几种：

• $\text{X}+\text{Y}$: $\text{X}$、$\text{Y}$表示两个特征图，$+$表示元素级相加. 代表如ResNet、FPN
• $\text{X}concat\text{Y}$ .$concat$表示张量 拼接操作。 代表如GoogleNet、U-Net
• $\text{X}+\text{G(X)}\cdot \text{X}$. $\text{G}(\cdot )$是注意力函数。这里表示自注意力机制。代表如SENet、 CBAM、Non-local
• $\text{G(Y)}\cdot \text{X}+\text{Y}$. 同样是将注意力机制作用在一个特征图上，而权重信息来源于对方。代表如GAU
• $\text{G(X)}\cdot \text{X}+(1-\text{G(X)})\cdot \text{Y}$. 软注意力机制的一种，对特征图进行加权平均。代表如HighwayNetworks
• $\text{G}(\text{X},\text{Y})\cdot \text{X}+\text{Y}$. 代表如SA
• $\text{G}(\text{X},\text{Y})\cdot \text{X}+(1-\text{G}(\text{X},\text{Y}))\cdot \text{Y}$,代表如SKNet

X+Y

ResNet

X concat Y

GoogleNet

X+G(Y)Y

SENet[1]

SENet使用了通道注意力的模块。

给定特征图$X\in {\mathbb{R}}^{C\times H\times W}$。通道注意力模块中的权重$w\in {\mathbb{R}}^{C\times 1\times 1}$可表示为：
$$w=\sigma (B(W_2\delta (B(W_1(g(X))))))$$
其中，$g(X)=\frac{1}{H\times W}{\sum }_{i=1}^H{\sum }_{j=1}^W{X}_{[:,i,j]},g(X)\in {\mathbb{R}}^C$是全局池化层,$B$是BN层，$\delta$是ReLU层，$W$是全连接层，$W_1\in {\mathbb{R}}^{\frac{C}{r}\times C},W_2\in {\mathbb{R}}^{C\times \frac{C}{r}}$,r是通道缩减倍数。

CBAM[2]

SE模块将特征图中所有位置的权重浓缩为一个实数值，忽略了不同位置间的差异，且更容易关注大目标而忽略小目标。 CBAM(Convolutional Block Attention Module)在通道注意力之后又加上了空间注意力。

这里仅介绍空间注意力模块。空间注意力是以通道为单位进行最大和平均池化，并将两者的结果进行concat，之后再一个卷积降成1wh的特征图空间权重，再将该权重和输入特征进行点积。
权重$w\in {\mathbb{R}}^{1\times H\times W}$的数学表达形式为：
$$w=\sigma (W([F_{avg}^c(X)];F_{max}^c(X)]))$$
其中$F_{avg}^c$是通道上的平均池化，$F_{max}^c$是通道上的最大池化，$W$是卷积层。

Non-local[3]

Non-local是为视频分类设计的一个模块，去掉时间维度也可应用到2D图像上。CBAM用卷积生成点的权重值，视野狭窄。而Non-local能捕获全局信息。

图中的乘号表示矩阵相乘。先使用3个1x1x1卷积压缩特征图，其中$\theta$和$\varphi$分支用来计算每个点与其它所有点的相关系数，用softmax归一化为权重，乘以$g$分支得到拥有全局信息的结果，然后用1x1x1卷积恢复通道数。为了方便插入任何一个网络，将其作为一个residual分支。
同样是对全局信息建模，Non-local相较于全连接层少了很多参数，其核心的计算点与点之间相关系数的部分甚至不需要参数。不过仍然存在计算时间长的问题。

G(Y)X+Y

GAU[4]

PAN是一个为图像分割设计的网络，其使用的GAU(Global Attention Upsample)模块，如下图所示

GAU出现在网络的decoder部分。其中Y是高层特征图，X是底层特征图。高层特征采用了Global Pooling得到权重，底层特征经过一个卷积层实现与高层特征相同数量的map，乘以权重后再和高层相加。
作者认为，decoder部分主要任务是恢复目标类别的像素位置，而高层特征含有丰富的类别信息能够指导底层特征。

G(X)X+(1-G(X))Y

Highway Networks[5]

Highway Network是2015年提出来的，时间上早于ResNet。想要解决的问题就是如何训练深度网络。其解决方案是基于LSTM的门控机制。特征融合公式可表示为：
$$H(x)\cdot T(x)+x\cdot (1-T(x))$$
它和residual模块比较相似：
$$H(x)\cdot T(x)+x\cdot (1-T(x))=(H(x)-x)\cdot T(x)+x=F(x)+x$$
下图体现了二者结构上的差别。图a是residual模块，图c是Highway

G(X,Y)X+(1-G(X,Y))Y

SKNet[6]

SK(Selective kernel )模块的作用是自适应调整感受野。

模块分为三个部分。Split部分 分别经过3x3卷积和5x5卷积，产生不同感受野的特征图，可看作X和Y。Fuse部分和SE模块类似，区别是最后恢复成两个不同的通道权重。Select部分将X和Y的权重做个Softmax然后加权融合。
由于SK模块的加入提高了模型的复杂度，为了降低参数量作者使用了分组卷积，以及用3x3的带孔卷积替换5x5卷积。

Remarks

• 公式的$\text{Y}$可以表示成$f(\text{X})$或$f(g^{-1}(\text{X}))$,$f$和$g$表示一系列CNN操作。意思是$\text{Y}$要么直接来源于$\text{X}$,如ResNet, 要么和$\text{X}$有共同的祖先,如GoogleNet。反之亦可。
• 公式中只体现了两个特征图的融合，可拓展至多个特征图，如DenseNet。
• $\text{G}(\cdot )$相较于普通的网络层多了元素点乘的操作，在Non-local中还多了矩阵相乘操作。其具体提取的信息也不同，比如通道、空间、时序、全局、局部等，抑或是它们之间的排列组合，篇幅有限相关的算法不一一写出。

Reference

1. Hu J, Shen L, Sun G. Squeeze-and-excitation networks[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2018: 7132-7141.
2. Woo S, Park J, Lee J Y, et al. Cbam: Convolutional block attention module[C]//Proceedings of the European conference on computer vision (ECCV). 2018: 3-19.
3. Wang X, Girshick R, Gupta A, et al. Non-local neural networks[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2018: 7794-7803.
4. Li H, Xiong P, An J, et al. Pyramid attention network for semantic segmentation[J]. arXiv preprint arXiv:1805.10180, 2018.
5. Srivastava R K, Greff K, Schmidhuber J. Training very deep networks[C]//Advances in neural information processing systems. 2015: 2377-2385.
6. Li X, Wang W, Hu X, et al. Selective kernel networks[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2019: 510-519.