多标签图像识别是一项具有挑战性的计算机视觉任务。然而，目前解决这一任务的方法复杂、计算量大、缺乏直观解释 。为了能够有效地感知不同类别物体所占据的空间区域，作者提出了一个非常简单的模块，Class-Specific Residual Attention(CSRA)。首先计算一个根据特征的空间Attention Score，然后将其与类别无关的平均池化特征相结合，CSRA能够为每个类别生成 class-specific的特征。
CSRA在多标签识别任务中取得了SOTA的性能，同时也比其他方法简单得多。最重要的是CSRA实现起来非常简单，只有4行代码，就可以在没有任何额外数据训练的情况下，在许多不同的预训练模型和数据集上实现比较大的性能提升。因此，相比于以前的方法，SCRA具有易于实现、计算量小、解释直观、良好的可视化 等优点。
什么是多标签图像分类？
（From：https://blog.csdn.net/xiaosongshine/article/details/98172805）
1）传统单标签分类 ：
city（person）
2）多标签分类 ：
city , river, person, European style
3）人的认知 ：
两个人在河道边走路
欧洲式建筑，可猜测他们在旅游
天很蓝，应该是晴天但不是很晒
相比较而言，单标签 分类需要得到的信息量最少 ，人的认知 得到的信息量最多 ，多标签 分类在它们两者之间 。
Residual Attention: A Simple but Effective Method for Multi-Label Recognition
论文地址：https://arxiv.org/abs/2108.02456代码地址：官方尚未开源核心代码（第三方）：https://github.com/xmu-xiaoma666/External-Attention-pytorch#23-Residual-Attention-Usage
卷积神经网络(CNN)在许多计算机视觉任务中成为了主流结构，特别是在图像分类中。然而，尽管已经有许多用于单标签分类的网络结构被提出，如VGG、ResNet、EfficientNet和VIT，但多标签识别的进展仍然有限。在多标签任务中，对象的位置和大小变化很大，很难学习一个适合所有对象的单一特征表示。
近年来对多标签识别的研究主要集中在标签间的语义关系 、对象proposal 和注意力机制 三个方面。基于标签间的语义关系方法，计算成本较高而且存在手工定义邻接矩阵的问题；基于对象 proposal的方法，在处理对象proposal上花费太多时间；尽管注意力模型是一种端到端的，相对比较简单的方法，但对于多标签分类，这些模型往往过于复杂，导致难以优化、实现或解释。基于以上的问题，作者出了一个简单而容易的类特定残差注意力(class-specific residual attention，CSRA)模块，通过充分利用每个对象类别单独的空间Attention，取得了较高的准确性。上图为CSRA的Pytorch代码，在没有任何额外的训练的情况下，只用4行代码，CSRA在许多不同的预训练模型和数据集上，可以改进多标签识别的performance（结果如下表所示）。在本文中，作者们证明了CSRA这个操作，实际上是一个class-specific的Attention操作。基于CSRA，作者在VOC2007、VOC2012、MSCOCO和WIDER-Attribute四个多标签数据集取得了SOTA的性能。此外，作者提出的CSRA对空间注意力如何融入其中，还做了一个直观的解释。
3.1. 为什么max pooling会有用？
上表展示了对于不同的模型和数据集，CSRA都能提升性能（其中是一个超参数）。对于多标签任务，作者使用mAP作为评价指标，而ImageNet(单标签任务)使用Accuracy。
这些结果表明，简单地增加一个max-pooling可以提高多标签识别的精度，特别是当baseline模型的mAP不高时。从上面的代码中可以看出，CSRA就是多了一行max-pooling，那么，为什么这个max-pooling是有用的呢？1）首先，y_max获取了每个类别的所有空间位置中的最大值。因此，它可以被看作是一种class-specific的注意力机制。2）另外，作者推测CSRA能够让模型关注不同物体类别在不同位置的分类得分，因此相比于传统的分类网络，CSRA更加适用于多标签分类的任务。
3.2. Residual attention
对于一张图片，首先通过一个CNN网络来提取特征，其中是一个的特征矩阵：
在实验中，特征的维度通常是，因此在空间维度打平之后就可以表示成。然后通过一个FC分类器得到分类的结果，其中为第i类分类器的参数。然后就可以定义第i个类第j个位置上的class-specific attention scores（在空间维度进行softmax，使得每个类所有空间上概率之和为1，以此来得到每个类别的空间attention map）：其中是用来控制score的 temperature，是一个超参数。代表了第i类在第j个位置上出现的概率。得到第i类在第j个位置上出现的概率之后，我们就可以把这个概率和特征进行相乘求和，得到class-specific的特征向量了：全局的class-agnostic特征可以通过将所有位置的特征进行求平均得到：由于在多分类任务中能够达到比较好的效果，所以作者依旧将作为主特征。（这里个人其实有一点疑问，既然作者想证明class-specific的特征是非常有用的，但是为什么作者又用了一个比较小的权重来减少class-specific特征的影响？）如上图所示，最终的特征有class-specific特征和class-agnostic特征相加得到：
3.3. CSRA 的解释
在本节中，作者将会证明代码中的max pooling的实现方式就是CSRA的一种特殊情况。首先将分类的结果重新展开可以得到：
公式第一行的第一项的是第i个类的base logit，也可以用下面的公式表示：第二项的是第k个位置的分类分数，然后再用来进行加权。当T趋向于正无穷时，softmax的输出结果就变成了一个Dirac delta函数：因此就可以用最大项来代替，这也就得到代码中max pooling的由来：在这个式子中常数可以直接被忽略，因此CSRA的特征就是特征被加权之后的结果。
3.4. Multi-head attention
在上面的代码和式子中，我们可以看到有一个 temperature超参数需要去调，不同的类可能需要不同的超参数。为了避免这个调参的过程，作者引入了一个mul-head attention的方式来避免这个调参的过程。如上图所示，作者将CSRA改成了一个多分支的结构（每一个分支就代表是一个head），每个分支使用相同的，但是使用不同的。当只有一个head时，固定为1；随着head的增加，不同head的也不断增大，如下所示：通过将不同的结果进行融合，就能够避免了调参的过程。
4.1. Comparison with state-of-the-arts
4.1.1. VOC2007
可以看出在ResNet上加入CSRA，就能够超过以前的SOTA模型。
4.1.2. VOC2012
如上表所示，当仅使用ResNet-101的ImageNet预训练模型时，CSRA已经超越了以往的方法。通过用额外数据(MS-COCO)进行预训练，可以进一步提高CSRA的性能，达到新的SOTA性能。
4.1.3. MS-COCO
MS-COCO上的实验结果表明，CSRA模块不仅适用于ResNet结构，而且也适合Vision Transformer结构。
4.2. Effects of various components in CSRA
4.2.1. Class-agnostic vs. class-specific
class-specific的特征比 class-agnostic的特征更有效。通过合并两者，CSRA的performance明显优于前两者。
4.2.2. Visualizing the attention
可以看出，CSRA的attention map能够精确定位来自不同类别的对象。
4.2.3. Effect of λ
如上图所示，VIL-L16的性能在λ < 1.0时稳定上升；在λ = 1.0达到峰值，而ResNet-cut在λ = 0.1处得分最高。
4.2.4. Number of attention heads
从上表可以看出，当H增加到较大的数值(6或8)之前，mAP值稳定增加，说明了multi-head CSRA的有效性。
4.2.3. Normalization
上表显示了Normalization的影响，可以看出Normalization对精度影响不大，但是在训练的时候使用能够加快收敛的速度。
在本文中，作者提出了一个新的多标签分类框架CSRA，仅通过四行代码，就能够提高多标签分类任务的准确率。该算法不仅提高了识别精度，而且消除了对超参数的依赖。CSRA在4个基准数据集上的表现优于现有的SOTA方法，不仅简单，而且可解释性更强。
厦门大学人工智能系20级硕士
研究领域：FightingCV公众号运营者，研究方向为多模态内容理解，专注于解决视觉模态和语言模态相结合的任务，促进Vision-Language模型的实地应用。
知乎/公众号：FightingCV
在看，让更多人看到
