CBAM: Convolutional Block Attent

---

• 论文地址:
  http://openaccess.thecvf.com/content_ECCV_2018/papers/Sanghyun_Woo_Convolutional_Block_Attention_ECCV_2018_paper.pdf
• 收录：ECCV 2018 (European Conference on Computer Vision)
• 论文代码： github-PyTorch

更多注意力机制相关文章，请看这篇论文总结RAM: Residual Attention Module for Single Image Super-Resolution

概述

1. 为了提升CNNs（卷积神经网络）效果，一些研究者尝试从三个方面着手：depth、width、cardinality，各自典型代表：

• depth：VGGNet、ResNet
• width：GoogLeNet
• cardinality：Xception、ResNeXt

2. 作者尝试从另一个角度出发—attention，attention适用于很多计算机视觉任务，例如图片分类、语义分割、边缘检测、姿态估计等。Attention可分为两类：基于通道（channel）和基于空间（spatial），前者关注更重要的特征（每个通道都是一种特征），后者留意在哪个位置关注，即作者所说的learn ‘what’ and ‘where’。
3. 作者组合这两类attention，提出 Convolutional Block Attention Module(CBAM)。基于主干网络ResNet18、ResNet34、ResNet101、WideResNet18、ResNeXt50、ResNeXt101、MobileNet、VGG16，在数据集ImageNet-1K上测试图片分类，在数据集 MS COCO和VOC 2007上测试物体检测。验证了CBAM不仅通用性强，而且在不明显增加参数量的情况下，能提升网络效果。

CBAM结构

在给定输入特征F的情况下，CBAM模块先学到1维的通道注意力图（Channel Attention map）—Mc，再学到2维的空间注意力图（Spatial Attention map）—Ms，这个attention过程可用如下公式表达：

其中，

• 通道注意力模块（Channel attention module）
  该模块先利用全局平均池化（global average-pooling）和全局最大值池化（global max-pooling）操作同时抽取通道上的特征；然后通过共享一个多层感知机（multi-layer perceptron）进一步得到通道上的特征；最终这两种特征点加（element-wise summation），并使用sigmoid激活后得到Channel Attention map。公式表达为：
  
• 空间注意力模块（Spatial attention module）
  该模块同时在通道维度上取平均值和最大值，得到两个二维空间特征；之后concatenate一起，经过卷积得到最终的Spatial Attention map。公式表达为：
  
  这里的7x7代表卷积核大小。
• 如何组合通道和空间注意力模块？
  后续实验证明：串联比并联效果好，通道模块接空间模块效果好

实验

1. Ablation studies
   数据集：ImageNet-1K
   Baseline：ResNet50
   在现有ResNet结构中，CBAM可以添加到每个block的输出特征之后：
   
   作者针对 Channel attention、Spatial attention以及二者如何组合做了各个实验：

• Channel attention

  
  
  

  该实验结果中发现综合AvgPool和MaxPool效果比单一使用其中之一要好。

• Spatial attention

  
  image.png
  

  该实验结果中发现综合Avg和Max，并使用7x7卷积核效果最好。

• 二者如何组合

  
  
  

  该实验结果表明：串联比并联效果要好；先通道注意力后空间注意力效果要更好。

2. Image Classification on ImageNet-1K

• 该实验基于主干网络：ResNet、WideResNet、ResNext，验证了CBAM的有效性，而且参数量和计算量提升不明显：

  
  
• 作者同时也对不同主干网络的最后一层输出特征做了可视化，并给出目标分类的softmax值（P）：
  
  发现添加CBAM之后，网络能更加关注到目标分类的区域。可视化方法来自：
  Selvaraju, R.R., Cogswell, M., Das, A., Vedantam, R., Parikh, D., Batra, D.: Grad- cam: Visual explanations from deep networks via gradient-based localization. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. (2017) 618–626

3. Object Detection

• MS COCO
  目标检测采取方法Faster-RCNN，主干为带预训练权重的 ResNet50和ResNet101：

  
  
  

  实验证明：添加CBAM模块后，不同主干网络的效果都有提升。

• VOC 2007
  目标检测采取方法StairNet，它又基于SSD，主干网络有VGG16和MobileNet：

  
  
  

  实验证明：添加CBAM模块后，不同主干网络的效果都有提升，即使在轻量级网络MobileNet下也有提升。