文章目录

• ECA-Net: Efficient Channel Attention for Deep Convolutional Neural Networks（2020）
• • 注意力模块比较
  • ECA模块
  • • Avoiding Dimensionality Reduction(避免维度减少)
    • Local Cross-Channel Interaction（局部跨通道交互）
    • Coverage of Local Cross-Channel Interaction（局部跨通道交互覆盖）
    • • ECA模块的k如何取值？
    • 实验结果
  • 实验结果
  • 总结
  • 代码

ECA-Net: Efficient Channel Attention for Deep Convolutional Neural Networks（2020） 注意力模块比较
文章图片

纵坐标为准确性，横坐标为模型参数量（复杂度）。
ECA模块 【轻量模块注意力机制ECA-Net（注意力模块+一维卷积）】
文章图片

Avoiding Dimensionality Reduction(避免维度减少)
SE-Net

文章图片

SE模块的通道注意力通过下式计算：
ω = σ ( f { W 1 , W 2 } ( g ( χ ) ) ) \omega = \sigma(f_{\{W_1,W_2\}}(g(\chi))) ω=σ(f{W1?,W2?}?(g(χ)))，
其中， g ( χ ) = 1 W H ∑ i = 1 , j = 1 W , H χ i j g(\chi) = \frac{1}{WH}\sum^{W,H}_{i=1,j=1}\chi_{ij} g(χ)=WH1?∑i=1,j=1W,H?χij?为全局平均池化函数， σ \sigma σ为Sigmoid函数。

文章图片

在SE-Net中，通道注意力模块通过公式(2)进行降维（简单来说，就是SE-Net模块中的全连接层），这样让通道和权值之间没有直接联系。下表中的SE-Var1（无参数）、SE-Var2（独立学习各通道的权重）、SE-Var3（采用一个FC）均为不降维的变形，表中结果清楚的表明，避免降维的作用。

文章图片

Local Cross-Channel Interaction（局部跨通道交互）

文章图片

对于SE-Var2、SE-Var3，权重式：

文章图片

两者之间区别在于，SE-Var3考虑了不同通道之间的交互，SE-Var2则没有；但是SE-Var3的需要大量参数，这样复杂性较高。
SE-Var2+SE-Var3 → \to →块对角矩阵。

文章图片

每个组包括 C G \frac{C}{G} GC?个通道，有 C 2 G \frac{C^2}{G} GC2?个参数。然而，由上表可以看出，这样做并没有给SE-Var2带来增益，表明它不能捕获局部通道之间的相互作用，而且过多的组卷及将层架内存访问成本，从而降低计算效率。
ECA-Net中利用矩阵如下 W k W_k Wk?，来学习通道注意力：

文章图片

W k W_k Wk?由 k ? C k*C k?C个参数，小于 W G W_G WG?， W k W_k Wk?避免了不同通道之间完全独立，考虑到了不同通道之间的相互作用。

文章图片

所以，如上式仅考虑 y i y_i yi?和它的紧邻的通道之间的相互作用而计算 y i y_i yi?的权重。
加：一种更有效地方式，通过共享相同的学习参数，通过内核大小为k的快速1维卷积来实现（一维卷积和 1 × 1 1\times1 1×1卷积是不同的，一维指的是 1 × k 1\times k 1×k的卷积）

文章图片

如上表，k=3的ECA模块和SE-Var3取得了相似的结果，而且具有更低的模型复杂度。
Coverage of Local Cross-Channel Interaction（局部跨通道交互覆盖）
ECA模块的k如何取值？ 通过交叉验证进行手动调整不仅仅会很慢，而且消耗大量计算资源浪费。
ECA-Net采用Group convolutions。分组卷积用于改进CNN架构，其中高维(低维)信道在固定分组数量的情况下包括长(短)卷积。换句话说，就是通道维度 C C C和卷积核大小 k k k成比例。采用非线性函数，而且卷积核数量设为2的 k k k次方（因为通常通道尺寸是2）。公式如下：

文章图片

卷积尺寸：

文章图片

∣ t ∣ o d d \lvert t\rvert_{odd} ∣t∣odd?表示距离 t t t最近的奇数，ECA-Net中 γ \gamma γ和KaTeX parse error: Undefined control sequence: \b at position 1: \?b?分别取2和1.
实验结果

文章图片

上图，网络参数（Param）、每秒浮点运算（FLOPS）、训练/参考速度（FPS）、top-1/top-5准确率。
实验结果 k值的影响如下图，ResNet-50和ResNet-101为主干，对照SENet。可以看出，ECA-Net相较于SENet，准确率有了极大的提升。

文章图片

与不同的CNN对比

文章图片

总结 ECA-Net提出了一种高效的相关性通道（ECA）模块。模块通过非线性自适应确定的一维卷积组成。ECA是一种非常轻量级的即插即用块，可以调高各种CNN的性能。
代码 ECA-Net
论文