基于Paddle2.0的注意力卷积网络CBAM和BAM

想给卷积网络添加注意力机制吗？是否已经厌倦了使用SE-NET？本项目使用Paddle2.0复现了含有注意力机制的卷积网络CBAM和BAM，并在动物分类数据集上进行了训练和验证。

项目背景

CBAM是2018年ECCV上的一篇论文CBAM: Convolutional Block Attention Module中提出的基于注意力机制的卷积网络模型。BAM是2018年BMVC上的一篇论文BAM: Bottleneck Attention Module中提出的基于注意力机制的网络模型。本项目即对其进行复现。

项目简介

本项目首次使用paddle2.0复现了含有注意力机制的网络CBAM和BAM，并在动物数据集上进行了训练和验证。

动物数据集的划分是按8:2的的划分方法进行训练集与验证集划分的。

模型简介

CBAM网络的核心思想是提出了CBAM模块。该模块对输入先经过通道注意力模块，和输入相乘后再经过空间注意力模块，和输入再次相乘后得到调整参数的注意力特征图。如图1所示。

图1 CBAM模块细节示意图

BAM网络的核心思想是提出了BAM模块。BAM可以认为是并行版的CBAM。如图2所示。

图2 BAM模块细节示意图

具体实现可以fork后见代码细节。

论文原文：CBAM: Convolutional Block Attention Module

参考代码：

PyTorch的实现

数据集介绍

本项目使用10分类的动物数据集进行训练和测试.

该十分类动物数据集，包含dog,horse,elephant,butterfly,chicken,cat,cow,sheep,spider和squirrel。每一分类的图片数量为2k-5k。

文件结构

解压数据集

!unzip -q data/data70196/animals.zip -d work/dataset

查看图片

import osimport randomfrom matplotlib import pyplot as pltfrom PIL import Imageimgs = []paths = os.listdir('work/dataset')for path in paths:       img_path = os.path.join('work/dataset', path)    if os.path.isdir(img_path):        img_paths = os.listdir(img_path)        img = Image.open(os.path.join(img_path, random.choice(img_paths)))        imgs.append((img, path))f, ax = plt.subplots(3, 3, figsize=(12,12))for i, img in enumerate(imgs[:9]):    ax[i//3, i%3].imshow(img[0])    ax[i//3, i%3].axis('off')    ax[i//3, i%3].set_title('label: %s' % img[1])plt.show()

划分训练集和验证集

!python code/train_val_split.py

finished train val split!

使用CBAM-ResNet50网络进行动物分类的训练并验证

训练

!python code/train.py --net 'cbam_resnet'

验证

!python code/eval.py --net 'cbam_resnet'

W0218 15:48:02.818117 23045 device_context.cc:362] Please NOTE: device: 0, GPU Compute Capability: 7.0, Driver API Version: 11.0, Runtime API Version: 10.1W0218 15:48:02.824904 23045 device_context.cc:372] device: 0, cuDNN Version: 7.6.Eval begin...The loss value printed in the log is the current batch, and the metric is the average value of previous step.step 103/103 [==============================] - loss: 0.3478 - acc: 0.8544 - 232ms/step         Eval samples: 3276{'loss': [0.347824], 'acc': 0.8543956043956044}

使用BAM-ResNet50网络进行动物分类的训练并验证

训练

!python code/train.py --net 'bam_resnet'

W0218 15:48:47.528769 23145 device_context.cc:362] Please NOTE: device: 0, GPU Compute Capability: 7.0, Driver API Version: 11.0, Runtime API Version: 10.1W0218 15:48:47.532490 23145 device_context.cc:372] device: 0, cuDNN Version: 7.6.The loss value printed in the log is the current step, and the metric is the average value of previous step.Epoch 1/50

验证

!python code/eval.py --net 'bam_resnet'

W0218 19:49:38.340137  5185 device_context.cc:362] Please NOTE: device: 0, GPU Compute Capability: 7.0, Driver API Version: 11.0, Runtime API Version: 10.1W0218 19:49:38.343930  5185 device_context.cc:372] device: 0, cuDNN Version: 7.6.Eval begin...The loss value printed in the log is the current batch, and the metric is the average value of previous step.step 103/103 [==============================] - loss: 0.2684 - acc: 0.8504 - 199ms/step        Eval samples: 3276{'loss': [0.2684111], 'acc': 0.8504273504273504}

图示训练验证过程

图3. 使用CBAM和BAM的训练验证图示

使用resnet50网络进行动物分类的训练并验证

训练

!python code/train.py --net 'resnet'

验证

!python code/eval.py --net 'resnet'

W0213 21:34:50.038996 12684 device_context.cc:362] Please NOTE: device: 0, GPU Compute Capability: 7.0, Driver API Version: 10.1, Runtime API Version: 10.1W0213 21:34:50.043457 12684 device_context.cc:372] device: 0, cuDNN Version: 7.6.Eval begin...The loss value printed in the log is the current batch, and the metric is the average value of previous step.step 103/103 [==============================] - loss: 1.4232 - acc: 0.5888 - 191ms/step        Eval samples: 3276{'loss': [1.4232028], 'acc': 0.5888278388278388}

图示训练验证过程

图4. 使用ResNet的训练验证图示

比较

图5. 使用CBAM、BAM和ResNet的验证比较图示

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：基于Paddle2.0的注意力卷积网络CBAM和BAM要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题