简介
CA(Coordinate attention for efficient mobile network design)发表在CVPR2021,帮助轻量级网络涨点、即插即用。
CA注意力机制的优势:
1、不仅考虑了通道信息,还考虑了方向相关的位置信息。
2、足够的灵活和轻量,能够简单的插入到轻量级网络的核心模块中。
提出不足
1、SE注意力中只关注构建通道之间的相互依赖关系,忽略了空间特征。
2、CBAM中引入了大尺度的卷积核提取空间特征,但忽略了长程依赖问题。
算法流程图
step1: 为了避免空间信息全部压缩到通道中,这里没有使用全局平均池化。为了能够捕获具有精准位置信息的远程空间交互,对全局平均池化进行的分解,具体如下:
对尺寸为
C
∗
H
∗
W
C*H*W
C∗H∗W输入特征图
I
n
p
u
t
Input
Input分别按照
X
X
X方向和
Y
Y
Y方向进行池化,分别生成尺寸为
C
∗
H
∗
1
C*H*1
C∗H∗1和
C
∗
1
∗
W
C*1*W
C∗1∗W的特征图。如下图所示(图片粘贴自B站大佬渣渣的熊猫潘)。
step2:将生成的
C
∗
1
∗
W
C*1*W
C∗1∗W的特征图进行变换,然后进行concat操作。公式如下:
将
z
h
z^h
zh和
z
w
z^w
zw进行concat后生成如下图所示的特征图,然后进行F1操作(利用1*1卷积核进行降维,如SE注意力中操作)和激活操作,生成特征图
f
∈
R
C
/
r
×
(
H
+
W
)
×
1
f \in \mathbb{R}^{C/r\times(H+W)\times1}
f∈RC/r×(H+W)×1。
step3:沿着空间维度,再将
f
f
f进行split操作,分成
f
h
∈
R
C
/
r
×
H
×
1
f^h\in \mathbb{R}^{C/r\times H \times1}
fh∈RC/r×H×1和
f
w
∈
R
C
/
r
×
1
×
W
f^w\in \mathbb{R}^{C/r\times1\times W}
fw∈RC/r×1×W,然后分别利用
1
×
1
1 \times 1
1×1卷积进行升维度操作,再结合sigmoid激活函数得到最后的注意力向量
g
h
∈
R
C
×
H
×
1
g^h \in \mathbb{R}^{C \times H \times 1 }
gh∈RC×H×1和
g
w
∈
R
C
×
1
×
W
g^w\in \mathbb{R}^{C \times1\times W}
gw∈RC×1×W。
最后:Coordinate Attention 的输出公式可以写成:
代码
代码粘贴自github。CoordAttention
地址:https://github.com/houqb/CoordAttention/blob/main/mbv2_ca.py
class CoordAtt(nn.Module):
def __init__(self, inp, oup, groups=32):
super(CoordAtt, self).__init__()
self.pool_h = nn.AdaptiveAvgPool2d((None, 1))
self.pool_w = nn.AdaptiveAvgPool2d((1, None))
mip = max(8, inp // groups)
self.conv1 = nn.Conv2d(inp, mip, kernel_size=1, stride=1, padding=0)
self.bn1 = nn.BatchNorm2d(mip)
self.conv2 = nn.Conv2d(mip, oup, kernel_size=1, stride=1, padding=0)
self.conv3 = nn.Conv2d(mip, oup, kernel_size=1, stride=1, padding=0)
self.relu = h_swish()
def forward(self, x):
identity = x
n,c,h,w = x.size()
x_h = self.pool_h(x)
x_w = self.pool_w(x).permute(0, 1, 3, 2)
y = torch.cat([x_h, x_w], dim=2)
y = self.conv1(y)
y = self.bn1(y)
y = self.relu(y)
x_h, x_w = torch.split(y, [h, w], dim=2)
x_w = x_w.permute(0, 1, 3, 2)
x_h = self.conv2(x_h).sigmoid()
x_w = self.conv3(x_w).sigmoid()
x_h = x_h.expand(-1, -1, h, w)
x_w = x_w.expand(-1, -1, h, w)
y = identity * x_w * x_h
return y
最后
CA不仅考虑到空间和通道之间的关系,还考虑到长程依赖问题。通过实验发现,CA不仅可以实现精度提升,且参数量、计算量较少。文章来源:https://www.toymoban.com/news/detail-783908.html
简单进行记录,如有问题请大家指正。文章来源地址https://www.toymoban.com/news/detail-783908.html
到了这里,关于注意力机制-CA注意力-Coordinate attention的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!