轻量模块注意力机制ECA-Net（注意力模块+一维卷积）

ECA-Net: Efficient Channel Attention for Deep Convolutional Neural Networks（2020）

注意力模块比较

纵坐标为准确性，横坐标为模型参数量（复杂度）。

ECA模块

Avoiding Dimensionality Reduction(避免维度减少)

SE-Net

SE模块的通道注意力通过下式计算：
ω = σ ( f { W 1 , W 2 } ( g ( χ ) ) ) \omega = \sigma(f_{\{W_1,W_2\}}(g(\chi))) ω=σ(f{W1​,W2​}​(g(χ)))，

其中，$g(\chi )=\frac{1}{WH}{\sum }_{i=1,j=1}^{W,H}{\chi }_{ij}$为全局平均池化函数，$\sigma$为Sigmoid函数。

在SE-Net中，通道注意力模块通过公式(2)进行降维（简单来说，就是SE-Net模块中的全连接层），这样让通道和权值之间没有直接联系。下表中的SE-Var1（无参数）、SE-Var2（独立学习各通道的权重）、SE-Var3（采用一个FC）均为不降维的变形，表中结果清楚的表明，避免降维的作用。

Local Cross-Channel Interaction（局部跨通道交互）

对于SE-Var2、SE-Var3，权重式：

两者之间区别在于，SE-Var3考虑了不同通道之间的交互，SE-Var2则没有；但是SE-Var3的需要大量参数，这样复杂性较高。
SE-Var2+SE-Var3$\to$块对角矩阵。

每个组包括$\frac{C}{G}$个通道，有$\frac{C^2}{G}$个参数。然而，由上表可以看出，这样做并没有给SE-Var2带来增益，表明它不能捕获局部通道之间的相互作用，而且过多的组卷及将层架内存访问成本，从而降低计算效率。
ECA-Net中利用矩阵如下$W_k$，来学习通道注意力：

$W_k$由$k\ast C$个参数，小于$W_G$，$W_k$避免了不同通道之间完全独立，考虑到了不同通道之间的相互作用。

所以，如上式仅考虑$y_i$和它的紧邻的通道之间的相互作用而计算$y_i$的权重。
加：一种更有效地方式，通过共享相同的学习参数，通过内核大小为k的快速1维卷积来实现（一维卷积和$1\times 1$卷积是不同的，一维指的是$1\times k$的卷积）

如上表，k=3的ECA模块和SE-Var3取得了相似的结果，而且具有更低的模型复杂度。

Coverage of Local Cross-Channel Interaction（局部跨通道交互覆盖）

ECA模块的k如何取值？

通过交叉验证进行手动调整不仅仅会很慢，而且消耗大量计算资源浪费。
ECA-Net采用Group convolutions。分组卷积用于改进CNN架构，其中高维(低维)信道在固定分组数量的情况下包括长(短)卷积。换句话说，就是通道维度$C$和卷积核大小$k$成比例。采用非线性函数，而且卷积核数量设为2的$k$次方（因为通常通道尺寸是2）。公式如下：

卷积尺寸：

$|t{|}_{odd}$表示距离$t$最近的奇数，ECA-Net中$\gamma$和KaTeX parse error: Undefined control sequence: \b at position 1: \̲b̲分别取2和1.

实验结果

上图，网络参数（Param）、每秒浮点运算（FLOPS）、训练/参考速度（FPS）、top-1/top-5准确率。

实验结果

k值的影响如下图，ResNet-50和ResNet-101为主干，对照SENet。可以看出，ECA-Net相较于SENet，准确率有了极大的提升。

与不同的CNN对比

总结

ECA-Net提出了一种高效的相关性通道（ECA）模块。模块通过非线性自适应确定的一维卷积组成。ECA是一种非常轻量级的即插即用块，可以调高各种CNN的性能。

代码

ECA-Net
论文