一、简介
注意力(attention)是一个十分常见的现象，这在视觉领域尤为明显。比如在上课的时候，学生的注意力几乎都集中在老师身上，而对老师身边的讲台和身后的黑板不会关注（如果没有老师指挥的情况下关注了的话只能证明你在开小差...），此时可以认为除了老师以外，都被学生自动认为是背景(background)了。而计算机视觉中的注意力机制的基本思想就是让系统学会注意力——能够忽略无关信息而更多的关注我们希望它关注的重点信息。
这里主要讨论的是CV领域——CNN的注意力机制，关于自然语言处理（NLP）或视觉问答系统（VQA）中也有，有兴趣可以去自己查阅相关论文和博客。
二、参考文献与资料
参考论文：
1、CBAM: Convolutional Block Attention Module . Sanghyun Woo, Jongchan Park, Joon-Young Lee, In So Kweon.(ECCV, 2018)
2、Squeeze-and-Excitation Networks. Jie Hu, Li Shen, Samuel Albanie, Gang Sun, Enhua Wu.(CVPR, 2017)
3、Wang, Fei, et al. "Residual attentionnetwork for image classification." arXiv preprint arXiv:1704.06904 (2017).
参考文章：
1、https://mp.weixin.qq.com/s/KKlmYOduXWqR74W03Kl-9A
2、https://blog.csdn.net/xjz18298268521/article/details/79078551（SE Block）
3、https://blog.csdn.net/wspba/article/details/73727469
参考代码：
1、CBAM : https://github.com/kobiso/CBAM-tensorflow-slim(tensorflow-slim版本)
2、SE BLOCK : https://github.com/taki0112/SENet-Tensorflow(tensorflow版本)
3、Residual Attention : https://github.com/fwang91/residual-attention-network(caffe)(其他版本可自行在github查找)
三、注意力的发展和分类
关于早期的注意力研究，是从大脑成像机制去分析的，采用的方法在深度学习发展的今天，并不适用，在此不做讨论。现在如何搭建具备注意力机制的神经网络更加重要：一方面是这种神经网络能够自主学习注意力机制，另一方面则是注意力机制能够反过来帮助我们去理解神经网络“看到的世界”。
近几年来，深度学习与视觉注意力机制结合的研究工作，大多数是集中于使用掩码(mask)来形成注意力机制。掩码的原理在于通过另一层新的权重，将图片数据中关键的特征标识出来，通过学习训练，让深度神经网络学到每一张新图片中需要关注的区域，也就形成了注意力。（可以注意到，本质是希望通过学习得到一组可以作用在原图上的权重分布）。
根据这种思想，注意力有两个大的分类：软注意力（soft attention）和强注意力（hard attention）。
强注意力是一个随机的预测过程，更强调动态变化，同时其不可微，训练往往需要通过增强学习来完成。（没接触过，不是研究的重点）。
软注意力的关键在于其是可微的，也就意味着可以计算梯度，利用神经网络的训练方法获得。这也是本文着重关注的对象。
四、软注意力
为了更具体的理解不同的注意力，本文从注意力域（attention domain）的角度来分析几种注意力的实现方法。其中主要是三种注意力域，空间域(spatial domain)，通道域(channel domain)，混合域(mixed domain)，每种都会举出在论文中使用的真实模块来辅助理解。
1、空间域（Spatial Domain）—— CBAM Block（Convolutional Block Attention Module）（Image Caption）
注意力主要分布在空间中，又被称为空间注意力，表现在图像上就是对图像上不同位置的关注程度不同。反映在数学上就是指：针对某个大小为H×W×C的特征图，有效的一个空间注意力对应一个大小为H×W的矩阵，每个位置对原特征图对应位置的像素来说就是一个权重，计算时做pixel-wise multiply。
Spatial attention module:
输入的是一个特征图，
（1）基于channel进行global max pooling和global average pooling;
（2）将上述的结果基于channel做concat;
（3）将concat后的结果经过一个卷积操作，channel降为1;
（4）将结果经过sigmoid生成spatial attention feature，可以与输入的特征图做乘法，为feature增加空间注意力。
公式：
结果示例：
2、通道域（Channel Domain）—— SE Block（Image Classification）
这种注意力主要分布在channel中，表现在图像上就是对不同的图像通道的关注程度不同。反映在数学上就是指：针对某个大小为H×W×C的特征图，有效的一个通道注意力对应一个大小为1×1×C的矩阵，每个位置对原特征图对应channel的全部像素是一个权重，计算时做channel-wise multiply。
Channel Attention Module:
输入是一个特征图，
（1）Squeeze（挤压），本质就是全局均值池化，使得H×W×C的特征图变为1×1×C的实数序列;
公式：
一般CNN中每个通道学习到的滤波器都对局部感受野进行操作，也就意味着U中每个feature map都无法利用其它feature map的上下文信息，而且网络较低的层次上其感受野尺寸都是很小的，这样情况就会更严重。
U（多个feature map）可以被解释为局部描述子的集合，这些描述子的统计信息对于整个图像来说是有表现力的。（实数某种程度上具有全局的感受野）论文选择最简单的全局平均池化操作，从而使其具有全局的感受野，使得网络低层也能利用全局信息。
（2）Excitation（激励）
通过Excitation操作来全面捕获通道依赖性，论文提出需要满足两个标准：
(1) 它必须是灵活的（特别是它必须能够学习通道之间的非线性交互）；
(2) 它必须学习一个非互斥的关系，与one-hot激活相反，这里强调保证有多个通道。
为此，作者采用了一个简单的gating mechanism with a sigmoid function。
公式：
（论文厉害之处）为了限制模型复杂度和辅助泛化，论文通过引入两个全连接（FC）层（都是1*1的conv层），即降维层参数为W1，降维比例为r（论文把它设置为16），然后经过一个ReLU，然后是一个参数为W2的升维层。 （优点：1具有更多的非线性，可以更好的拟合通道间复杂的相关性;2减少了参数量和计算量）
最后得到1*1*C的实数数列结合U（原始缝feature map）通过如下公式进行Scale操作得到最终的输出。
公式：
完整的一个SE Block结构：
3、混合域（Image Classification）
简单对比上面两种注意力，空间域是忽略了通道域中的信息，将每个通道中的图片特征同等处理，这种做法会将空间域变换方法局限在原始图片特征提取阶段，应用在神经网络其他层的可解释性不强。而通道域的注意力是对一个通道内的信息直接全局平均池化，而忽略每一个通道内的局部信息，这种做法其实也是比较暴力的行为。所以结合两种思路，就可以设计出混合域的注意力机制模型。
（1）CBAM
CBAM中的channel attention module和SE block几乎一样，唯一的区别在于多了一次max pooling，中间MLP的参数共享。
（2）Residual attention learning
这种注意力机制是与深度残差网络相关的方法，基本思路是能够将注意力应用到ResNet中，并且使网络能够训练的比较深。
论文中注意力的机制是软注意力基本的加掩码(mask)机制，但是不同的是，这种注意力机制的mask借鉴了残差网络的想法，不只根据当前网络层的信息加上mask，还把上一层的信息传递下来，这样就防止mask之后的信息量过少引起的网络层数不能堆叠很深的问题。
本文中提出的注意力mask，不仅仅只是对空间域或者通道域注意，这种mask可以看作是每一个特征元素（element）的权重。通过给每个特征元素都找到其对应的注意力权重，就可以同时形成了空间域和通道域的注意力机制。
但是值得注意的是：
* 如果你给每一个特征元素都赋予一个mask权重的话，mask之后的信息就会非常少，可能直接就破坏了网络深层的特征信息；
* 另外，如果你可以加上注意力机制之后，残差单元（Residual Unit）的恒等映射（identical mapping）特性会被破坏，从而很难训练。
因此，创新点在于：
残差注意力学习——不仅只把mask之后的特征张量作为下一层的输入，同时也将mask之前的特征张量作为下一层的输入，这时候可以得到的特征更为丰富，从而能够更好的注意关键特征。
模型结构
每一个注意力模块可以分成两个分支(看stage2)，上面的分支叫主分支(trunk branch)，是基本的残差网络(ResNet)的结构。而下面的分支是软掩码分支(soft mask branch)，而软掩码分支中包含的主要部分就是残差注意力学习机制。通过下采样(down sampling)和上采样(up sampling)，以及残差模块(residual unit)，组成了注意力的机制：
H是注意力模块的输出，F是上方主分支输出的图片张量特征，M是软掩码的注意力参数。这就构成了残差注意力模块，能将图片特征和加强注意力之后的特征一同输入到下一模块中。F函数可以选择不同的函数，就可以得到不同注意力域的结果：
f1是对图片特征张量直接sigmoid激活函数，就是混合域的注意力；
f2是对图片特征张量直接做全局平均池化（global average pooling），所以得到的是通道域的注意力（类比SENet[5]）；
f3是求图片特征张量在通道域上的平均值的激活函数，类似于忽略了通道域的信息，从而得到空间域的注意力。
Bottom-up Top-down的结构首先通过一系列的卷积和pooling，逐渐提取高层特征并增大模型的感受野，之前说过高层特征中所激活的Pixel能够反映Attention所在的区域，于是再通过相同数量的up sample将feature map的尺寸放大到与原始输入一样大（这里的upsample通过deconvolution来实现，可以利用bilinear interpolation 也可以利用deconvolution自己来学习参数，可参考FCN中的deconvolution使用方式），这样就将Attention的区域对应到输入的每一个pixel上，我们称之为Attention map。Bottom-up Top-down这种encoder-decoder的结构在图像分割中用的比较多，如FCN，也正好是利用了这种结构相当于一个weakly-supervised的定位任务的学习。
五、待改进
1、CBAM所生成的注意力比较基础，整体结构简单，尽管对结果有提升，但是有限（这里SE Block有同样的问题）
2、多数注意力更加适合想ResNet这样的深层网络，因为其深层特征更能提供有效的语义信息，而注意力本身更多的依然是依靠语义
3、一个有效的注意力需要有效的训练手段，最重要的一个因素是训练attention时使用的loss
六、讨论
来源：https://www.cnblogs.com/bupt213/p/10826093.html