沈陽理工大學(xué) 黃海新 劉孝陽 王瑞鵬

注意力機(jī)制是機(jī)器學(xué)習(xí)領(lǐng)域的主流方法和研究熱點(diǎn)之一，計(jì)算機(jī)視覺中的注意力機(jī)制旨在讓系統(tǒng)能夠忽略無關(guān)信息而更多的關(guān)注重點(diǎn)的有效信息，具有參數(shù)少、計(jì)算快、效果好的優(yōu)點(diǎn)。本文先對(duì)注意力的原理進(jìn)行探索，在此基礎(chǔ)上對(duì)一些經(jīng)典的注意力模型和當(dāng)前流行的注意力模型進(jìn)行詳細(xì)地分析討論，最后對(duì)注意力機(jī)制未來的發(fā)展進(jìn)行了一定的展望。

注意力機(jī)制是機(jī)器學(xué)習(xí)任務(wù)中一個(gè)基礎(chǔ)性問題，按照作用域的不同，可以分為空間域注意力機(jī)制、通道域注意力機(jī)制以及混合域注意力機(jī)制。由于其參數(shù)少、計(jì)算快、效果好三大優(yōu)點(diǎn)而在視覺任務(wù)的檢測、分類、分割、行為識(shí)別等方面有著良好的表現(xiàn)。

1 基于視覺的注意力模型的研究

視覺任務(wù)中，注意力可以是施加在空間域，也可以在通道域，或者是將二者結(jié)合施加在混合域?？臻g域的注意力機(jī)制，首先對(duì)輸入特征圖進(jìn)行通道壓縮，然后利用壓縮之后的特征圖進(jìn)行相似度計(jì)算得到自相關(guān)矩陣，將自相關(guān)矩陣歸一化成為[0,1]之間的權(quán)重矩陣后與原特征矩陣相乘。通道域的注意力機(jī)制一般需要對(duì)輸入的特征圖C×H×W進(jìn)行全局池化得到一個(gè)一維向量1×1×C，然后對(duì)這個(gè)一維向量進(jìn)行特征交互，計(jì)算相關(guān)性，最后將交互之后的特征向量進(jìn)行歸一化得到通道權(quán)重向量，將通道權(quán)重向量施加到原特征圖中?；旌嫌虻淖⒁饬C(jī)制在空間域和通道域都需要做相關(guān)性處理，這種處理方式可以是先空間域后通道域(也可以是先通道域再空間域)的串行處理方式也可以是空間域和通道域并行處理的方式。

2 主流注意力模型

注意力按照作用域不同可以分為空間域注意力、通道域注意力、混合域注意力，下文基于這三個(gè)方面對(duì)當(dāng)前流行的一些注意力模型進(jìn)行介紹分析。

2.1 空間域注意力模型

空間域注意力機(jī)制主要依靠計(jì)算特征圖中每一個(gè)位置與其他所有位置的相關(guān)性得到注意力權(quán)重。Max Jaderberg等提出Spatial Transformer Networks通過注意力模型將空間信息進(jìn)行轉(zhuǎn)換實(shí)現(xiàn)對(duì)圖片旋轉(zhuǎn)、縮放變換的功能。XiaolongWang等提出Non-local方法通過計(jì)算自相關(guān)矩陣捕獲像素值與其他所有像素之間的長期依賴。

空間注意力機(jī)制的具體實(shí)現(xiàn)過程如圖1所示。

2.2 通道域注意力模型

通道域的注意力機(jī)制是為了捕獲通道間的依賴關(guān)系，將注意力權(quán)重施加在通道上實(shí)現(xiàn)。Hu Jie等提出SENET通過建模各個(gè)特征通道之間的依賴關(guān)系，給有效的特征通道施加更大的權(quán)重，忽略無效的通道；Changqian Yu等為了解決語義分割中類內(nèi)不一致性問題，設(shè)計(jì)了一個(gè)平滑網(wǎng)絡(luò)，通過信道注意塊和全局平均池來選擇更具區(qū)別性的特征。

圖1 Non-local Neural Networks

通道域注意力的計(jì)算分為三個(gè)部分：擠壓(squeeze)，激勵(lì)(excitation)，以及scale(attention)，具體計(jì)算過程如圖2所示：

圖2 通道域注意力計(jì)算過程

圖3 并行混合域注意力機(jī)制

（1）擠壓(squeeze)部分，對(duì)卷積后的特征圖U做全局平均池化，這一步相當(dāng)于得到所有特征通道的數(shù)值分布；（2）激勵(lì)(excitation)部分，對(duì)各個(gè)特征通道進(jìn)行交互，捕獲通道間的依賴關(guān)系，為每個(gè)特征通道生成權(quán)重；（3）scale(attention)部分，將生成的權(quán)重乘回到原輸入特征圖中。

2.3 混合域注意力模型

混合域的注意力模型兼顧空間域和通道域，混合域的注意力模型有很多，主要的區(qū)別在兩個(gè)方面：第一，在空間域注意力和通道域注意力的計(jì)算方式上存在差異；第二，有的注意力采用空間域通道域并行處理的方式，有的采用空間域通道域串行處理的方式Woo Sanghyun等提出Convolutional Block Attention Module，在通道域的處理上，先經(jīng)過通道壓縮得到一維向量之后對(duì)一維向量進(jìn)行操作，空間上則是將Max Pooling和Average Pooling兩種方式得到的特征圖直接拼接在一起之后進(jìn)行卷積操作；Yue Cao等提出將Non-local與SEnet融合的Global Context(GC)block，實(shí)現(xiàn)一種無Query依賴的建模方式；Jun Fu等提出Dual Attention Network，分別在通道域和空間域利用non-local的思想，使用自相關(guān)矩陣捕獲長距離依賴。

并行處理的混合域注意力和串行處理的混合域注意力的實(shí)現(xiàn)過程可分別總結(jié)為圖3和圖4所示：

圖4 串行混合域注意力機(jī)制

圖3所示為并行處理的混合域注意力機(jī)制，其處理過程可以總結(jié)為式(1)所示：

3 注意力機(jī)制在視覺任務(wù)中的應(yīng)用比較

3.1 注意力機(jī)制在圖像識(shí)別中的應(yīng)用

圖像識(shí)別任務(wù)中，以CBAM、SENet等注意力模型為代表，在ImageNet數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果如表1所示：

表1 圖像識(shí)別對(duì)比結(jié)果

從表1得出，在ImageNet數(shù)據(jù)集上進(jìn)行圖像識(shí)別，Backbone為ResNet50的前提下，相較于不增加注意力模塊的ResNet-50，增加注意力模塊之后準(zhǔn)確率有明顯提升，有更好的表現(xiàn)，證明了注意力機(jī)制在圖像識(shí)別任務(wù)中的有效性。

3.2 注意力機(jī)制在語義分割中的應(yīng)用

圖像語義分割方面，在Cityscapes數(shù)據(jù)集上，采用mIoU作為評(píng)價(jià)標(biāo)準(zhǔn)，實(shí)驗(yàn)對(duì)比結(jié)果如表2所示：

表2 語義分割對(duì)比結(jié)果

從表2可以看出，Backbone為ResNet50的前提下，相較于沒有注意力機(jī)制的ResNet50，含有注意力機(jī)制的DANet和CCNet在語義分割任務(wù)中有更高的準(zhǔn)確率，證明注意力機(jī)制在語義分割任務(wù)中的有效性。

4 總結(jié)

本文著重研究了注意力機(jī)制的原理、主流注意力機(jī)制的實(shí)現(xiàn)方式、注意力機(jī)制在計(jì)算機(jī)視覺中的應(yīng)用及其效果對(duì)比。目前的主流空間注意力機(jī)制都是以計(jì)算相關(guān)性矩陣為主，主要的區(qū)別在于相關(guān)性矩陣的計(jì)算；在通道域的注意力機(jī)制則以全局池化或者平均池化為主，從而得到通道上的遠(yuǎn)距離依賴性，這種相關(guān)性可以幫助深度神經(jīng)網(wǎng)絡(luò)擴(kuò)大感受野，捕獲像素之間的依賴關(guān)系。

這種利用相關(guān)性得到注意力機(jī)制的方式取得了不錯(cuò)的效果，但是還有很大的改進(jìn)空間，比如在計(jì)算方式、參數(shù)的優(yōu)化以及通道注意力和空間注意力的特征之間的融合等方面可以有進(jìn)一步的研究。