您现在的位置是：首页 >技术交流 >PAN（Pyramid Attention Network for semantic segmentation）paper解读网站首页技术交流

Pyramid Attention Network for Semantic Segmentation讲PAN用于语义分割，网络结构类似encoder-decode, u-shape。

背景

encoder-decoder结构，
在encoding到高维度特征的过程中，原始的纹理信息会遭遇空间分辨率损失，例如FCN。
PSPNet和DeepLab用了空间金字塔和空洞卷积（ASPP）来对应这个问题，
然而ASPP容易引起grid artifacts, 空间金字塔会损失像素级别的定位信息。
作者从SENet和Parsenet中获得灵感，从高维特征中提取pixel level的attention信息。

PAN由2个结构组成，FPA（Feature Pyramid Attention）和GAU（Global Attention Upsample),
FPA类似于encoder和decoder的连接处，作用是增大感受野，区分较小的目标。
GAU类似FCN后面decoder的上采样，同时还能从高维度特征中提取attention信息，计算量也不会很大。

Related work

PAN结构类似于encoder-decoder, attention, 还考虑了PSPNet中的空间金字塔结构，
所以类似的work就有encoder-decoder, Global Context Attention, 空间金字塔。

encoder-decoder: 结构就不多说了，主要特点是连接相邻stage的特征，但没有考虑到全局的特征信息。
Global Context Attention：起源于ParseNet, 应用了一个global branch来增加感受野，加强pixel-wise分类的一致性。
DFN用了一个global pooling分支在U-shape的顶端，使U-shape变成了V-shape. 本文作者也用了global
average pooling加在decoder branch, 以选择有区分性的特征。
空间金字塔：用于提取多尺度信息。Spatial pyramid pooling适用于有不同尺度的目标。PSPNet和DeepLab系列把global pooling扩展为Spatial pyramid pooling和ASPP，虽说效果不错，但计算量很大。

PAN

PAN包括了FPA和GAU，模块如下图，backbone为ResNet-101,
FPA相当于encoder decoder的转折处。

FPA

目的是为CNN的high-level特征提供pixel-wise的attention.
最近的语义分割中，金字塔结构可以提取不同尺度的特征，增大感受野，不过这种结构缺乏全局的信息（缺乏选择channel的机制）。
同时，如果选择channel attention的向量，那么又不能提取多尺度的特征，缺少了pixel-wise的信息。

作者把 pixel-wise的attention 和 多尺度的特征 结合起来。
于是，这个module就把3个不同尺度的特征用一个U-shape结构结合起来，为了提取不同尺度的特征，金字塔中用了3x3, 5x5, 7x7的卷积层。因为用的是高维特征，高维特征图通常比较小，所以较大的卷积核并不会带来很大的计算量。

然后，CNN输出的input特征通过一个1x1卷积之后，就可以和FPA输出的特征pixel-wise地相乘。起到了pixel wise attention的作用，又结合了多尺度。

又加上了前面提到的global branch, 用了global average pooling, 加到output特征。
最后得到的结构如下图，

作者提到了在处理相乘之前做了channel reduce, 所以并不像PSPNet和ASPP那样耗大量的计算。

GAU

这块属于decoder，PSPNet和Deeplab中用了双线性插值上采样，可看作是简单的decoder.
一般的encoder-decoder网络主要考虑用不同尺度的特征，在decoder中逐渐恢复目标的边界。这种网络一般很复杂，计算量较大。

最近研究显示把CNN和金字塔结合起来可以提高效果， 类别信息也会加强。
作者考虑利用高维特征加辅助的类别信息 为 低维信息 提供权重，用来选择准确的细节。

GAU用了global average pooling提供全局信息，给低维特征提供权重，用来选择类别定位细节。
细节上，给低维特征过3x3卷积，用来reduce channel（减小计算量）。
高维特征通过global average pooling层，再过一个1x1卷积+BN+ReLU得到权重向量, 用这个权重和低维output相乘，
相乘的结果和原高维特征相加。

网络结构

网络结构贴在了PAN部分，再贴一遍吧

细节：
backbone: ResNet-101, 在ImageNet上预训练，
在res5b block上用rate=2的空洞卷积提取特征图，这样特征图的size是input image的1/16（和DeepLabv3+类似）。
把ResNet-101中的7x7卷积换成3个3x3conv（和PSPNet类似）

训练细节：

训练用的是扩充版的PASCAL, 参考数据集使用方法
github参考如下：
pytorch版目标分割
pytorch版语义分割