注意力论文解读(1) | Non-local Neural Network | CVPR2018 | 已复现

文章转自微信公众号：【机器学习炼丹术】

参考目录：

目录

• 0 概述
• 1 主要内容
  • 1.1 Non local的优势
  • 1.2 pytorch复现
  • 1.3 代码解读
  • 1.4 论文解读
• 2 总结

• 论文名称：“Non-local Neural Networks”
• 论文地址：https://arxiv.org/abs/1711.07971

0 概述

首先，这个论文中的模块，叫做non-local block，然后这个思想是基于NLP中的self-attention自注意力机制的。所以在提到CV中的self-attention，最先想到的就是non-local这个论文。这个论文提出的动机如下：

卷积运算和递归操作都在空间或时间上处理一个local邻域；只有在重复应用这些运算、通过数据逐步传播信号时，才能捕获long-range相关性。

换句话说，在卷积网络中，想要增加视野域，就要不断的增加卷积层数量和池化层数量，换句话说，增加视野域就是增加网络的深度。这样必然会增加计算的成本，参数的数量，还需要考虑梯度消失问题。

• long-time相关性在NLP中，就是指一句话中，两个距离很远的单词的相关性，在CV中则是指一个图片中距离很远的两个部分的相关性。一般CNN识别物体，都是只关注物体周围的像素，而不会考虑很远的地方，这也就是CNN的一个特性，局部视野域。在某些情况下，这是天然优势，当然也可能变成劣势。

1 主要内容

本次我们学习先看代码，然后再从论文中解析代码。

1.1 Non local的优势

• 通过少的参数，少的层数，捕获远距离的依赖关系；
• 即插即用

1.2 pytorch复现

class Self_Attn(nn.Module):
    """ Self attention Layer"""
    def __init__(self,in_dim,activation):
        super(Self_Attn,self).__init__()
        self.chanel_in = in_dim
        self.activation = activation

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

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

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

        out = self.gamma*out + x
        return out,attention

1.3 代码解读

输入特征图为BatchxChannelxHeightxWidth，我们先把这个输入特征图x分别放入：

• query卷积层，得到BatchxChannel//8xHeightxWidth
• key卷积层，得到BatchxChannel//8xHeightxWidth
• value卷积层，得到BatchxChannelxHeightxWidth

我们要逐个像素的计算query和key的相似度，然后相似度高的像素更为重要，相似度低的像素就不那么重要，每个像素我们用channel//8这个长度的向量来表示。（这里可能比较抽象，毕竟self-attention的原版是NLP领域的，non-local是从NLP中照搬过来的，所以不太好直接理解）

相似度计算是通过向量的乘法来表示的，那么我们肯定不能把这个HeightxWidth这么多像素一个一个计算像素的相似度。所以我们把BatchxChannel//8xHeightxWidth转换成BatchxChannel//8xN的形式，这里的N是HeightxWidth，N表示图中像素的数量。

然后我们用torch.bmm()来做矩阵的乘法：（N，Channel//8）和（Channel//8，N）两个矩阵相乘，得到一个（N，N）的矩阵。

这个（N，N）矩阵中的第i行第j列元素的值，是图中i位置像素和j位置像素的相关性！然后我们把value矩阵和这个（N，N）再进行一次矩阵乘法，这样得到的输出，就是考虑了全局信息的特征图了。

第二次矩阵乘法中，是（Channel，N）和（N，N）的相乘，得到的输出的特征图中的每一个值，都是N个值的加权平均，这也说明了输出的特征图中的每一个值，都是考虑了整张图的像素的。

1.4 论文解读

上图是论文中对于non-local的结构图。可以看到，先通过1x1的卷积，降低一下通道数，然后通过\(\theta和\phi\)分别是query和key，然后这两个卷积得到（N，N）的矩阵，然后再与\(g\)(value)进行矩阵乘法。

好吧我承认和代码在通道数上略微有些出入，但是大体思想相同。

2 总结

• 经过了non-local的特征图，视野域扩大到了全图，而且并没有增加很多的参数。
• 但是因为经过了BMM矩阵呢的乘法，梯度计算图急速扩大，因此计算和内存会消耗很大。因此，我在网络的深层（特征图尺寸较小的时候），才会加上一层non-local层。但是！！！论文中说，尽量放在靠前的层，所以在计算力允许的情况下，往前放。
• 这个方法在一部分的任务中，确实有提升，我自己试过，还可以。
• 后续又有很多来降低这个计算消耗的算法，之后我们在讲，喜欢的点个关注和赞吧～