论文阅读: Visual Attention Network

Motivation

• 自注意力机制在2D自然图像领域面临3个挑战：
  1. 视二维图像为一维序列。
  2. 对于高分辨率图像，二次复杂度消耗太大。
  3. 只捕捉空间适应性，忽略通道适应性。

Contribution

• 设计了 Large Kernel attention(LKA)，包含卷积和自注意力机制的优势。并基于LKA设计了VAN的主干。

Method

Large Kernel Attention

• 注意机制可以看作是一个自适应选择过程，它可以选择判别特征，并根据输入特征自动忽略噪声响应。注意力机制的关键步骤是生成注意力图，表示不同点的重要性。为此，我们应该学习不同点之间的关系。
• 有两种不同的方法构建不同点间的关联。
  1. self-attention mechanism: 捕捉大范围依赖(long-range dependence).
  2. large kernel convolution: 使用大核卷积构建关联性并产生注意力图。

• (参考上图)为了克服两种方法的不足并充分利用自注意力和大核卷积，我们提出解构大核卷积。把大核卷积分成三部分：一个空间局部卷积 Depth-wise convolution, 一个空间大范围卷积 Depth-wise dilation convolution 和一个通道卷积1x1 convolution。
• 具体的，我们可以吧KxK的大核卷积解构成$\frac{K}{d}\times \frac{K}{d}$ 步长为d的空洞卷积，一个 $(2d-1)\times (2d-1)$ 的深度卷积以及一个$1\times 1$ 卷积。
• 通过解构可以捕捉大范围的关联并减少计算消耗以及参数量。
  

Visual Attention Network(VAN)

• VAN采用了简单的垂直结构，用四个阶段减少输出的空间分辨率, $\frac{H}{4}\times \frac{W}{4},\frac{H}{8}\times \frac{W}{8},\frac{H}{16}\times \frac{W}{16},\frac{H}{32}\times \frac{W}{32}$。
  
• 默认情况下，我们的 LKA 采用 5 × 5 深度卷积、具有扩张 3 的 7×7 深度卷积和 1×1 卷积来近似 21 × 21 卷积。在这种情况下，VAN 可以有效地实现本地信息和远程连接。我们分别使用7 × 7和3 × 3步幅卷积进行4×和2×下采样。