Attention最新进展
本文主要总结了最新的关于attention的应用文章。
Attention-based Dropout Layer for Weakly Supervised Object Localization（CVPR19）
任务：弱监督的物体定位：只给定图像类别的标签，要求定位出目标所在的区域。
动机：只给定物体类别的话，网络往往只关注最具有判别性的信息，无法挖掘到整个物体信息。能否设计一种drop操作，每次迭代时drop最具判别性的信息，强迫网络关注其他的区域？
==> 类似 gradient boosting
做法：代替之前采用CAM（类激活图，见下一篇）得到特征的热力图，模型使用（channel-wise pooling）直接生成热力图。采用一个设定的阈值，得到一个drop mask。
Visual Attention Consistency under Image Transforms for Multi-Label Image Classification （CVPR19）
任务：多标签图像分类问题
动机：数据增广被广泛用于图像分类任务，但是数据增广存在缺陷。图像的一些变换（如旋转）应该是比较渐层能学习到的，但是在一般使用数据增广的策略中，都只是使用最后loss来对这种变换进行学习。能否对数据增广学到的特征图进行约束。
方法：采用两分支结构。输入原始图像I和转换后的图像T(I)，利用CAM得到两个特征图的热力图，约束I的热力图经过T的转换后与T(I)的热力图相同。即图像数据增广后仍然关注同样部件的区域。
AttPool: Towards Hierarchical Feature Representation in Graph Convolutional Networks via Attention Mechanism （ICCV19）
任务：定义了一个graph pooling操作。
方法：对于一个有N个节点的图（N,D）,首先预测每个节点的得分（N），然后选择前K个节点（K,D），对这K个节点利用全部的N个节点进行更新（GCN）。
问题：和之前的文章Self-Attention Graph Pooling思想和做法很像，加了一步更新操作。
Group-wise Deep Object Co-Segmentation with Co-Attention Recurrent Neural Network （ICCV19）
任务：图像组间的共有物体的定位。
做法：设计了类似GRU的单元，设定了更新门和重置门，不断的更新隐单元g，使其融入了所有图像的信息，然后返回来指导每个图像的预测生成。
End-to-End Multi-Task Learning with Attention
任务：多任务学习
动机：对于多任务学习，应该有任务共享的特征和任务特定的特征。对于任务共享的特征可以通过在所有任务上学习得到。那么如何得到任务特定的特征呢？
方法：对于每个任务学习一个attention，作为特征选择器，选择与该任务相关的特征。
See More, Know More: Unsupervised Video Object Segmentation with Co-Attention Siamese Networks （CVPR19）
任务：无监督的视频物体分割
做法：提出了一个co-attention模块，将相邻帧对齐，并将F1（F2）帧的信息整合到F2（F1）上。
问题：用在视频reID上，相邻帧进行对齐后，再进行特征整合。
Improving Referring Expression Grounding with Cross-modal Attention-guided Erasing （CVPR19）
任务：跨模态的检索。给定一个语句描述，检索出图像的那个框是与之对应的。
动机：图像与语句之中可能存在多个对应关系，但是现有方法往往会过多的关注最具有判别性的对应关系。能否有一种机制，迫使网络可以关注更多的对应关系。
做法：擦除最具有判别性的语句或者图像区域。
Cross-Modal Self-Attention Network for Referring Image Segmentation
任务：跨模态分割，给定一个语句描述，分割出图像对应的物体区域。
做法：设计了一个扩模态的self attention机制，即对于query，key, value融入了图像特征和语句特征。
Mask-Guided Attention Network for Occluded Pedestrian Detection （ICCV19）
任务：遮挡的行人检测
做法：遮挡会对行人检测的性能产生较大的影响。对于特征，生成一个空间mask，mask掉遮挡区域的特征。利用可见的bounding box监督mask的生成。
Looking for the Devil in the Details: Learning Trilinear Attention Sampling Network for Fine-grained Image Recognition （CVPR）
动机：如何自适应地并且无监督的定位出物体各个部件的区域。每个channel可以响应一个特定的物体，但是单个channel的噪声大。能否整合channel使其可以定位出目标物体
做法：利用self-attention的思想，加强每个channel的特征。X为（C,N） .此时每个channel可以看做一个空间注意力图，对应一个指定的部件。
