【论文阅读】Squeeze-and-Attention Networks for Semantic Segmentation（CVPR2020）

2024-02-05 19:23:52

论文题目：Squeeze-and-Attention Networks for Semantic Segmentation（用于语义分割的挤压—注意网络）

下载链接：https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9157815&tag=1

代码：未开源

文章贡献：

1. 将语义分割分解为两个子任务：像素预测和像素分组；

2. 提出了SA模块，能兼顾单个像素的多尺度密集预测，及像素组的空间注意，优于SE；

3. 提出了由SA模块构成的SANet网络结构，整合多尺度背景特征和图像级类别信息。

1 背景与动机

分割方法的进步主要是通过改进像素表示来实现精确标记。然而，语义分割并不完全等同于像素预测。

作者认为语义分割可以表示为2个独立的部分：1)像素级预测（每个像素的分类）和 2)像素分组（像素之间的联系）。

以往方法主要是在1)上改进，而忽视了2)。

因此作者引入像素分组的第二个子任务，直接鼓励属于同一类的像素在没有空间限制的情况下被分组在一起，基于像素分组问题设计了SA模块来缓解卷积核的局部约束。

2 相关工作

多尺度上下文

拉普拉斯金字塔结构整合多尺度上下文特征，最流行的方法是采用池化操作来收集不同尺度的空间信息。如pspnet，deeplab等。
编码器-解码器架构融合具有不同层次语义含义的特征。如FCN、Unet等。

因此作者也采取类似结构，融合了骨干残差网络的4个不同阶段输出，以获得多尺度信息。

通道注意力

有选择地对特征图的通道进行加权，有效地提高了传统残差模块的表示能力，但例如SE模块的方法会导致模型参数变多。

图(a)是残差结构，下分支为跳跃连接；图(b)是将SE加入到残差结构的分支中。图中省略了归一化层和激活层。

压缩和激励模块SE的核心思想在于网络训练的同时学习不同通道特征图的权重，使得有利于损失函数下降的特征图的权重变大，而对损失函数下降没有贡献或者贡献较小的特征图权重变小。

压缩步骤：输入是HxWxC的特征图，可以看成是C张HxW的图片，每张图片都用它所有像素点的均值来表示（即每个通道都采用1x1的平均池化），获得1x1xC的大小。

激励步骤：输入是压缩操作的输出，大小为1x1xC，经过2层全连接层，可以认为是一层隐藏层+一层输出层，隐藏层由1x1xC变为1x1xC’(C’<C)，输出层由1x1xC’变为1x1xC，即为每个通道代表的特征分配的权重。隐藏层后接ReLU激活函数，输出层后接Sigmoid函数，把权重归一化。

将激励操作后的输出结果1x1xC和原始的特征图HxWxC相乘，得到融合了通道注意力信息的特征的结果。

与提高分类性能的SE模块类似，作者提出SA模块，专门为提高分割结果而设计，如图(c)所示：

SE在下采样时是完全压缩的，变为1x1xC，但SA使用的注意力通道（下分支）是未完全压缩的，可有效地产生非局部空间注意力，同时避免在上采样时需要过大的倍数，模型参数量不大。

SE是由注意力通道获取到权重，乘到Xin上再加上Xres，而SA整合了空间关注，对输出进行聚合以提高分割性能。具体表现在注意力通道获取的Xatt不是乘以Xin，而是乘上主通道的输出Xres，之后再加上Xatt。

论文中，SA的主通道和注意力通道的通道数都减少为特征图的1/4，注意力通道的中间ACONV1的通道数设置为4，下采样pooling和上采样upsample的因数都设置为8。

ACONV和CONV本质上是一样的，只是它属于注意通道所以叫注意卷积（attention convolution）。

3 网络结构

图中蓝色框相当于是编码部分，论文使用扩张的ResNet（resnet50&resnet101）和Effiicinets作为骨干网络，FCN Head是用于生成语义分割的分支，相当于是解码部分。

为了聚合多阶段非局部特征，作者在骨干网络的多阶段输出上采用SA模块，从而得到更好的对象边界和场景解析结果。

整个网络一共包含3个损失，总损失为：

其中参数α和β是权重参数，经测试，在论文所使用的数据集中，α取0.2，β取0.8效果最好。

3个损失具体如下面公式所示：

N是训练集的所有图片总数，M表示空间位置（即若图片大小是a*b，那么M=a*b，为像素点总数），C是类别数。

是SANet的预测值，是真实值。是类别的预测值和真实值，用来计算Lcat。Lcat相当于是一个多标签分类，只判断这张图片中有哪些类别而不管他们的位置。具体为，将骨干网络4个阶段的输出分别经过SA模块后进行concat，之后再进行平均池化和全连接层，获得一个1x1xn（n表示类别总数）的结果，将这个结果跟该张图片的真实多标签进行对比，计算Lcat损失。

Lmask和Lden是通常语义分割的交叉熵损失，Lcat是分类损失。

MASK是最终预测的语义分割结果。

总的来说感觉还是像素分类，Lmask和Lden所对应的真实值应该是一样的，论文只是比一般方法多了Lcat和Lden的loss计算。

4 实验结果

作者在Pascal VOC和Pascal Context两个数据集上进行测试，其中Pascal VOC设置学习率为0.0001，使用预训练的COCO数据集权重，再训练50个epoch；Pascal Context设置学习率为0.001，不使用预训练权重，一共训练80epoch。在两个数据集上均使用了随机梯度下降和 poly learning rate annealing schedule ，设置batchsize为16，骨干网络选用resnet50和resnet101，在多GPU上训练。

1. 使用Pascal Context数据集来确定损失函数中α和β的取值为α=0.2，β=0.8：

具体来说，使用resnet50作为骨干网络，训练20个epoch。左图为当β=0.8时α不同取值的mIoU对应情况，右图为当α=0.2时β不同取值的mIoU对应情况。

2. Lcat和Lden的影响

在Pascal Context上，使用Cat和Den损失后有效了提高了分割的准确率，其中mIoU计算中不包含背景：

3. SANet的有效性

在Pascal Context上，对比SANet和其它的一些方法，其中mIoU计算中包含背景：

以resnet50作为骨干网络的FCN基线结果和SANet分割结果效果对比：

4. SA模块的有效性

在FCN基线上对比SA和SE，骨干网络使用resnet50和resnet101：

resnet101比resnet50效果好一点，SE作用不明显，SA作用明显。

5. 注意力图和特征图的可视化

在Pascal VOC数据集上进行可视化，体现注意力机制的关注点：

bcd分别是在原始输入图片上选择的3个点对应的注意力图，注意力图中的红色区域可以被认为是最关注的像素组。即图b)蓝点关注物为小车，图c)黄点关注牛，图d)红点关注摩托。

在SA模块的低级（SA Head1）和高级（SA Head4）上注意力的侧重点不同。在低级阶段，Attn注意力图有广阔的视野，体现在第1行红色部分分布全局，具体关注点不明显。而在高级阶段，Attn注意图主要集中在所选点周围的区域，体现在第4行，bcd三张图的红色关注部分分别在小车、牛、摩托上。同时，Head4的Main特征图也比Head1语义更强，更清晰。

6. Pascal VOC的一些结果

以下为未使用COCO预训练权重的结果对比，SANet训练80epoch：