【CCNet】《CCNet：Criss-Cross Attention for Semantic Segmentation》

ICCV-2019

---

---

1 Background and Motivation

分割任务中全局的上下文信息非常重要，如果高效轻量的获取上下文？

Thus, is there an alternative solution to achieve such a target in a more efficient way?

作者提出了 Criss-Cross Attention

相比于 Non-local（【NL】《Non-local Neural Networks》）

复杂度从 O（（HxW）x（HxW）） 降低到了 O（（HxW）x（H+W-1））

2 Related Work

• semantic segmentation
• contextual information aggregation
• Attention model

3 Advantages / Contributions

• 提出 Criss-Cross 注意力，capture contextual information from full-image dependencies in a more efficient and effective way
• 在语义分割数据集 Cityscapes, ADE20K 和实例分割数据 COCO 上均有提升

4 Method

整理流程如下

Criss-Cross Attention Module 用了两次，叫 recurrent Criss-Cross attention (RCCA) module

下面是和 non-local 的对比

比如（b）中，计算蓝色块的 attention，绿色块不同深浅表示与蓝色块的相关程度，第一次结合十字架attention得到黄色块，第二次再结合十字架attention，得到红色块

为什么两次，因为一次捕获不到全局上下文信息，两次就可以，如下图

第一次，计算深绿色块的 Criss-Cross 注意力，只能获取到浅绿色块的信息，蓝色块的信息获取不到，浅绿色可以获取到蓝色块信息
第二次，计算深绿色块的 Criss-Cross 注意力，因为第一次计算浅绿色块注意力时已经有蓝色块信息了，此时，可以获取到蓝色块信息

更细节的 Criss-Cross 注意力图如下

下面结合图 3 看看公式表达

输入 $H\in {\mathbb{R}}^{C\times W\times H}$

query 和 key， { Q , K } ∈ R C ′ × W × H \{Q, K\} \in \mathbb{R}^{{C}' \times W \times H} {Q,K}∈RC′×W×H，$C^{\prime }$ 为 1/8 $C$

$Q_u\in {\mathbb{R}}^{C^{\prime }}$，$u$ 是 $H\times W$ 中空间位置索引，特征图 Q 的子集（每个空间位置）

${\Omega }_u\in {\mathbb{R}}^{(H+W-1)\times C^{\prime }}$，特征图 K 的子集（每个十字架）

Affinity operation 可以定义为

$$d_{i,u}=Q_u{\Omega }_{i,u}^T$$

$Q$上每个空间位置 $Q_u$，找到 $K$ 上对应的同行同列十字架 ${\Omega }_u$，$i$ 是十字架中空间位置的索引，$d_{i,u}\in D$， $D\in {\mathbb{R}}^{(H+W-1)\times W\times H}$，$Q$ 和 $K$ 计算的 $D$ 经过 softmax 后成 $A\in {\mathbb{R}}^{(H+W-1)\times W\times H}$

$Q$ 和 $K$ 计算出来了权重 $A$ 最终作用到 $K$ 上，形式如下：

$$H_u^{{}^{\prime }}=\sum _{i\in |{\Phi }_u|}{A}_{i,u}{\Phi }_{i,u}+H_u$$

${\Phi }_{i,u}$ 同 ${\Omega }_{i,u}$，一个是特征图 $V$ 的子集，一个是特征图 $K$ 的子集，$H$ 是输入，$H^{{}^{\prime }}$ 为输出，$i$ 是十字架索引，$u$ 是 $H$ x $W$ 空间位置索引

为了使每一个位置 $u$ 可以与任何位置对应起来，作者通过两次计算 Criss-cross 来完成，只需对 $H^{{}^{\prime }}$ 再次计算 criss-cross attention，输出 $H^{{}^{\prime \prime }}$，此时就有：

$u$ and $\theta$ in the same row or column

$A$ 表示 loop = 1 时的注意力 weight，$A^{\prime }$ 表示 loop = 2 时的 weight

$u$ and $\theta$ not in the same row or column，eg 图 4，深绿色位置是 $u$，蓝色的位置是 $\theta$

加上

再看看代码

import torch
import torch.nn as nn
import torch.nn.functional as Fdef INF(B,H,W):return -torch.diag(torch.tensor(float("inf")).cuda().repeat(H),0).unsqueeze(0).repeat(B*W,1,1)class CrissCrossAttention(nn.Module):def __init__(self, in_channels):super(CrissCrossAttention, self).__init__()self.in_channels = in_channelsself.channels = in_channels // 8self.ConvQuery = nn.Conv2d(self.in_channels, self.channels, kernel_size=1)self.ConvKey = nn.Conv2d(self.in_channels, self.channels, kernel_size=1)self.ConvValue = nn.Conv2d(self.in_channels, self.in_channels, kernel_size=1)self.SoftMax = nn.Softmax(dim=3)self.INF = INFself.gamma = nn.Parameter(torch.zeros(1))def forward(self, x):b, _, h, w = x.size()# [b, c', h, w]query = self.ConvQuery(x)# [b, w, c', h] -> [b*w, c', h] -> [b*w, h, c']query_H = query.permute(0, 3, 1, 2).contiguous().view(b*w, -1, h).permute(0, 2, 1)# [b, h, c', w] -> [b*h, c', w] -> [b*h, w, c']query_W = query.permute(0, 2, 1, 3).contiguous().view(b*h, -1, w).permute(0, 2, 1)# [b, c', h, w]key = self.ConvKey(x)# [b, w, c', h] -> [b*w, c', h]key_H = key.permute(0, 3, 1, 2).contiguous().view(b*w, -1, h)# [b, h, c', w] -> [b*h, c', w]key_W = key.permute(0, 2, 1, 3).contiguous().view(b*h, -1, w)# [b, c, h, w]value = self.ConvValue(x)# [b, w, c, h] -> [b*w, c, h]value_H = value.permute(0, 3, 1, 2).contiguous().view(b*w, -1, h)# [b, h, c, w] -> [b*h, c, w]value_W = value.permute(0, 2, 1, 3).contiguous().view(b*h, -1, w)# [b*w, h, c']* [b*w, c', h] -> [b*w, h, h] -> [b, h, w, h]energy_H = (torch.bmm(query_H, key_H) + self.INF(b, h, w)).view(b, w, h, h).permute(0, 2, 1, 3)# [b*h, w, c']*[b*h, c', w] -> [b*h, w, w] -> [b, h, w, w]energy_W = torch.bmm(query_W, key_W).view(b, h, w, w)# [b, h, w, h+w]  concate channels in axis=3 concate = self.SoftMax(torch.cat([energy_H, energy_W], 3))# [b, h, w, h] -> [b, w, h, h] -> [b*w, h, h]attention_H = concate[:,:,:, 0:h].permute(0, 2, 1, 3).contiguous().view(b*w, h, h)attention_W = concate[:,:,:, h:h+w].contiguous().view(b*h, w, w)# [b*w, h, c]*[b*w, h, h] -> [b, w, c, h]out_H = torch.bmm(value_H, attention_H.permute(0, 2, 1)).view(b, w, -1, h).permute(0, 2, 3, 1)out_W = torch.bmm(value_W, attention_W.permute(0, 2, 1)).view(b, h, -1, w).permute(0, 2, 1, 3)return self.gamma*(out_H + out_W) + xif __name__ == "__main__":model = CrissCrossAttention(512)x = torch.randn(2, 512, 28, 28)model.cuda()out = model(x.cuda())print(out.shape)

Q，K，A，V 还是比较直接

参考

• CCNet–于"阡陌交通"处超越恺明Non-local

• 语义分割系列20-CCNet（pytorch实现）

5 Experiments

5.1 Datasets and Metrics

• Cityscapes
• ADE20K
• COCO

Mean IoU (mIOU, mean of class-wise intersection over union section over union) for Cityscapes and ADE20K and the standard COCO metrics Average Precision (AP) for COCO

5.2 Experiments on Cityscapess

（1）Comparisons with state-of-the-arts

DPC 用了更强的主干，更多的数据集来 train

（2）Ablation studies

消融了下循环的次数，还是很猛的，第一次就提升了 2.9 个点，第二次又提升了 1.8 个

看看效果图，重点看作者圈出来的白色虚线椭圆区域

对比看看其他的 context aggregation 模块

作者的 Criss-Cross Attention 比较猛

其次比较猛的是 Non-local，但是作者的计算量小很多

看看特征图，重点看作者圈出来的绿色十字加号区域

5.3 Experiments on ADE20K

5.4 Experiments on COCO

6 Conclusion（own）

《Large Kernel Matters Improve Semantic Segmentation by Global Convolutional Network》