DANet Daul Attention位置和通道注意力（PAM＆CAM）keras实现

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

DANet: Dual Attention Network for Scene Segmentation(CVPR2019)
原文地址：https://arxiv.org/pdf/1809.02983.pdf
项目地址(Pytorch)：https://github.com/junfu1115/DANet

其实个人对DANet理解还不是很透彻，大致上无非是通道(CAM)+空间注意力(PAM)。但是和CBAM、scSE等其它空间-通道注意力的区别在于，Daul Attention采用了类似self-attention的结构，是全局的。

最近几个月一直在自己的2D MRI数据集上尝试添加注意力机制的多类别医学图像分割方法，但是尝试了attention gate、 se、 cbam等等一箩筐的注意力机制，和基线（U-Net）相比竟然都没什么提升，整个人都处在一个怀疑人生的状态。难道注意力机制真就对当前任务没有帮助？太难顶了。

有的时候想想，注意力机制无非也是卷积、矩阵乘法、MLP的堆叠，到底是什么赋予了它们额外的特征提取的能力呢？

说回来，其实DANet的第三方实现挺多的，keras的也有，我是参考[2]的keras代码，尽可能地按照[1]的流程简单且一致地实现了一遍。

tensorflow版本建议>=2.6.0

代码参考：
[1] https://github.com/junfu1115/DANet
[2] https://blog.csdn.net/hc1104349963/article/details/109594161
[3] https://github.com/niecongchong/DANet-keras

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、Dual Attention

原文用于场景分割，是加在Resnet底部的。医学图像分割的话，一般考虑加在编码器底部或者跳跃连接的位置吧。
别的就不多说了先，看看概览图。

位置注意力（PAM）和通道注意力细节（CAM）

二、代码

1.PAM

代码（Pytorch）：

class PAM_Module(Module):
    """ Position attention module"""
    #Ref from SAGAN
    def __init__(self, in_dim):
        super(PAM_Module, self).__init__()
        self.chanel_in = in_dim

        self.query_conv = Conv2d(in_channels=in_dim, out_channels=in_dim//8, kernel_size=1)
        self.key_conv = Conv2d(in_channels=in_dim, out_channels=in_dim//8, kernel_size=1)
        self.value_conv = Conv2d(in_channels=in_dim, out_channels=in_dim, kernel_size=1)
        self.gamma = Parameter(torch.zeros(1))

        self.softmax = Softmax(dim=-1)
    def forward(self, x):
        """
            inputs :
                x : input feature maps( B X C X H X W)
            returns :
                out : attention value + input feature
                attention: B X (HxW) X (HxW)
        """
        m_batchsize, C, height, width = x.size()
        proj_query = self.query_conv(x).view(m_batchsize, -1, width*height).permute(0, 2, 1)
        proj_key = self.key_conv(x).view(m_batchsize, -1, width*height)
        energy = torch.bmm(proj_query, proj_key)
        attention = self.softmax(energy)
        proj_value = self.value_conv(x).view(m_batchsize, -1, width*height)

        out = torch.bmm(proj_value, attention.permute(0, 2, 1))
        out = out.view(m_batchsize, C, height, width)

        out = self.gamma*out + x
        return out

代码（keras）：

import tensorflow as tf
form keras.layers import *

def PAM_Module(x):
    gamma = tf.Variable(tf.ones(1))
    x_origin = x
    batch_size, H, W, Channel = x.shape
    proj_query = Conv2D(kernel_size=1, filters=Channel // 8, padding='same')(x)
    proj_key = Conv2D(kernel_size=1, filters=Channel // 8, padding='same')(x)
    proj_value = Conv2D(kernel_size=1, filters=Channel, padding='same')(x)
    proj_query, proj_key, proj_value = tf.transpose(proj_query, [0, 3, 1, 2]), tf.transpose(proj_key, [0, 3, 1, 2]), tf.transpose(proj_value, [0, 3, 1, 2])
    proj_key = tf.reshape(proj_key, (-1, Channel//8, H*W))
    proj_query = tf.transpose(tf.reshape(proj_query, (-1, Channel//8, H*W)), [0, 2, 1])
    energy = tf.matmul(proj_query, proj_key)
    attention = tf.nn.softmax(energy)
    proj_value = tf.reshape(proj_value, (-1, Channel, H*W))
    out = tf.matmul(proj_value, tf.transpose(attention, [0, 2, 1]))
    out = tf.reshape(out, (-1, Channel, H, W))
    out = tf.transpose(out, [0, 2, 3, 1])
    out = add([out*gamma, x_origin])

    return out

2.CAM

代码（Pytorch）：

class CAM_Module(Module):
    """ Channel attention module"""
    def __init__(self, in_dim):
        super(CAM_Module, self).__init__()
        self.chanel_in = in_dim


        self.gamma = Parameter(torch.zeros(1))
        self.softmax  = Softmax(dim=-1)
    def forward(self,x):
        """
            inputs :
                x : input feature maps( B X C X H X W)
            returns :
                out : attention value + input feature
                attention: B X C X C
        """
        m_batchsize, C, height, width = x.size()
        proj_query = x.view(m_batchsize, C, -1)
        proj_key = x.view(m_batchsize, C, -1).permute(0, 2, 1)
        energy = torch.bmm(proj_query, proj_key)
        energy_new = torch.max(energy, -1, keepdim=True)[0].expand_as(energy)-energy
        attention = self.softmax(energy_new)
        proj_value = x.view(m_batchsize, C, -1)

        out = torch.bmm(attention, proj_value)
        out = out.view(m_batchsize, C, height, width)

        out = self.gamma*out + x
        return out

代码（keras）：

def CAM_Module(x):
    """
    通道注意力 Channel Attention Moudle
    :param x: 输入数组[B, H, W, C]
    :return: 输出数组[B, H, W, C]
    """
    gamma = tf.Variable(tf.ones(1))
    x_origin = x
    batch_size, H, W, Channel = x.shape
    x = tf.transpose(x, [0, 3, 1, 2])
    proj_query = tf.reshape(x, (-1, Channel, H*W))
    proj_key = tf.transpose(proj_query, [0, 2, 1])
    energy = tf.matmul(proj_query, proj_key)
    energy_new = tf.reduce_max(energy, axis=-1, keepdims=True)
    energy_new = tf.repeat(energy_new, Channel, axis=-1)
    energy_new = energy_new - energy
    attention = tf.nn.softmax(energy_new)
    proj_value = proj_query
    out = tf.matmul(attention, proj_value)
    out = tf.reshape(out, (-1, Channel, H, W))
    out = tf.transpose(out, [0, 2, 3, 1])
    out = add([out*gamma, x_origin])

    return out

总结

感觉现在学术界用Tensorflow和keras的人比较少，代码多靠第三方复现。自己还在用tf的主要原因是比较菜，从高度封装的keras入的门。

有没有做医学图像分割的大佬或组织，介绍我认识认识TAT，救救孩子。