iAFF为什么要用两次注意力

[swjtulinxi]

你好，我不是很明白你论文所说的，初始特征集成，就是为什么要用两次注意力呢

[YimianDai]

逻辑或者说动机大概是这样的：

第一层，以 ResNet、FPN 为代表，融合方式 X + Y，这种线性融合方式给定了固定的权重，即 1 和 1；（PWConv(X + Y) (比如FPN)、 PWConv(Concat(X，Y)) （U-Net）这两种本质上也是线性的，跟 X + Y 一样）

第二层，以 SKNet、AFF 为代表，融合方式 AFF(X, Y) = X * M(X + Y) + Y * (1 - M(X + Y)) （ M 为注意力模块，SKNet 用的是 Softmax，此外 AFF 的注意力模块不同，但这里忽略这些细节），Motivation 是用 注意力机制动态、自适应分配的权重 来代替上面的固定权重，可以得到更好的效果。虽然认为 X + Y 这类线性的简单融合是性能瓶颈之一，但在注意力模块 M 中仍然用着性能瓶颈 X + Y。

第三层，iAFF，iAFF(X, Y) = X * M(AFF(X, Y)) + Y * (1 - M(AFF(X, Y)))，（AFF(X, Y) 是上一层 AFF 得到的特征），用 AFF(X, Y) 代替了（或者说缓解了）注意力模块 M 中我们不想要的 X + Y，改善了注意力模块的输入质量，输出权重也相应的改善了。其实 AFF(X, Y) 里面还是有 X + Y，所以这个过程可以一直迭代下去，所以叫做 iterative AFF，但是考虑到边际效应以及计算量、内存使用的增长，我们就止步于此了。

[YimianDai]

两天多没有等到您的进一步回复，那我 close issue 了哈。

[swjtulinxi]

有个问题就是concat（x+y）+conv的方式融合权重不是1和1把，那么我们在开始时是不是可以不用x+y的方式，而是用concat的方式，这样就不用两次注意力了，但我此处指在fpn结构上，因为放在基础网络上，concat方式会增加显存和计算量

[YimianDai]

抱歉，这两天在广州玩，回复得慢了一些。

concat(x, y)+ conv 的方式融合权重不是 1 和 1，是 W_A * X[:, i, j] + W_B * Y[:, i, j]，这个在论文里有写到。虽然不是 1 和 1，但这个仍然是线性的。

的确，如您所说，concat 规避了直接相加，但会增加显存和计算量，或许基于 Concat 会有性能更好的架构，但这个超出 AFF 一文的初衷了，AFF 只要就是想传达三点：

1. 注意力机制可以被用在所有的特征融合场景中（同层、长跳、短跳、乃至注意力本身）
2. 通道注意力也可以有尺度这一概念，可以多尺度
3. X + Y 可能是瓶颈所在。

我相信肯定有比目前 AFF 结构更为合理、性能更好的结构，很高兴与您交流。