注意力机制-CA注意力-Coordinate attention-Toy模板网

这篇具有很好参考价值的文章主要介绍了注意力机制-CA注意力-Coordinate attention。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

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

ca注意力,卷积注意力机制,深度学习,人工智能
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 $C * H * W$ 输入特征图 $I n p u t$ 分别按照 $X$ 方向和 $Y$ 方向进行池化，分别生成尺寸为 $C * H * 1$ 和 $C * 1 * W$ 的特征图。如下图所示（图片粘贴自B站大佬渣渣的熊猫潘）。
ca注意力,卷积注意力机制,深度学习,人工智能
step2:将生成的 $C * 1 * W$ 的特征图进行变换，然后进行concat操作。公式如下：

将 $z^h$ 和 $z^w$ 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 $\in \mathbb{R}^{C/r\times(H+W)\times1}$ 。
ca注意力,卷积注意力机制,深度学习,人工智能
step3:沿着空间维度，再将 $f$ 进行split操作，分成 $f^h\in \mathbb{R}^{C/r\times H \times1}$ 和 $f^w\in \mathbb{R}^{C/r\times1\times W}$ ，然后分别利用 $\times 1$ 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 $g^h \in \mathbb{R}^{C \times H \times 1 }$ 和 $g^w\in \mathbb{R}^{C \times1\times W}$ 。
ca注意力,卷积注意力机制,深度学习,人工智能
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