最近看了些关于attention的文章。Attention是比较好理解的人类视觉机制，但怎么用在计算机问题上并不简单。
实际上15年之前就已经有人将attention用于视觉任务，但为什么17年最简单的SENet取得了空前的成功？其中一个原因是，前人的工作大多考虑空间上的（spatial）注意力，而SENet另辟蹊径，考虑了特征（通道）维度的注意力；第二个是实现方式，SENet本质上只是一个非常简单的结构，但赐予了神经网络更强大的学习能力，并且作者实现得也很好，所以最终性能才爆表（夺得了17年分类任务冠军）。
当然，attention在high-level任务中用得比较多，在low-level任务上主要是以saliency的形式呈现的。
至今没有 在图像分类任务上达到SOTA 且 将attention用于前向网络设计 的工作。因为大家都在关注网络的深度。【那么本文就通过高超的实现手法，做第一个吃螃蟹的人咯】【实际上，之前的SENet实现了突破。只不过SENet不算一个网络，而是一个即插即用的简单插件】
加入attention机制最核心的优势就是一点：可以让网络的鉴别式特征表示能力更强。【查了一下，生成网络+attention已经有很多工作了】
当然，本文因为独特的网络设计，带来了额外的attention优势。这在介绍网络时再说。我们先看看示意图和效果：
如图左，本文的注意力模块就是简单地根据输入特征，生成masks，然后与输入特征综合得到输出。
如图右，不同level的mask有不同的关注点。low-level的mask关注到了背景，比如天空和建筑；high-level的mask只关注气球的底部。
1. 相关工作
[23]证实：注意力机制对人类感知很重要。特别地，人类通过自上而下的信息传递，来指导自下而上的信息处理过程。【博主理解：根据上下文（context）决定attention属于自上而下，而看到字符产生语义理解属于自下而上】
Attention已经被RNN和LSTM广泛使用。在图像分类领域，这种自上而下的attention机制有三种表现形式：
序列化。将图像分类作为一个序列化的决策过程。
Region proposal。由于图像分类问题中的proposals一般没有ground truth，因此通常采用非监督学习。
控制门。如LSTM和Highway Network。
2. Residual Attention Network
图像首先经过\(p=1\)个residual unit的处理，然后分别进入主干分支（上方）和mask分支。
主干分支有\(t=2\)个residual unit。
Mask分支是一个soft attention结构，如图下方所示。\(r=1\)就是两个最大池化层之间的residual unit数量。根据图例，这是一个先降采样、后升采样的网络结构。
Attention计算后，与主干的输出点乘，然后再与主干的输出求和。
以上流程在一个attention module中实现。作者令其重复3次。
作者认为，另设一个mask分支有两个好处：
特征的选择作用。【这一点是attention的好处，与该分支关系其实不大】
对梯度也有控制作用。比如抑制噪声区域的梯度。【作者没有证实这一点，而仅仅展示了对噪声的健壮性】
那么为什么要堆叠这么多attention module呢？一个mask分支[17]不就够了吗？这实际上已经通过Fig1解释了：不同level的注意力是有区别的，因此最好能够分开学习。
2.1 Attention残差学习
仅仅有attention是不行的【原因作者没有很好地解释。个人认为原因和ResNet的动机一样：这种mask分支破坏了梯度传播的通道，导致深度网络训练困难】。
为此，我们再把短连接加上呗~即mask与主干输出相乘后，再与主干输出相加。可以理解为：相乘的结果是对主干输出的微小调整，即作为残差。
设想一种极端情况：此时我们完全不需要对特征进行任何attention调整，则mask为0就行。Mask分支的学习完全没有难度。
2.2 自上而下和自下而上
最后这个概念来源于DBN[21]，与本文的区别只在于应用场景。如图：
右侧就是自下而上的快速推导过程，左侧就是缓慢的自上而下的过程。什么是自上而下？由于mask分支在不断降采样（最大池化）以及卷积，因此其感受野越来越大。在最顶层，习得mask是一种相对高层的信息。Mask与右侧相乘，相当于用高层信息指导特征，因此称为自上而下的信息传递。
2.3 正则化Attention
作者还考虑了一下对mask（attention）的正则化。要么是简单的sigmoid正则化，要么是根据所有通道在该点的均值和方差进行正则化然后再sigmoid，要么是除以该通道的均值。实验发现，最简单的（不约束）最好。
其余略。