【CVPR2020】Gated Channel Transformation for Visual Recognition
代码：https://github.com/z-x-yang/GCT
这是一个百度和悉尼科技大学合作的工作，作者指出，SENet modulate feature maps on the channel-wise level. 但是，SE 模块使用了个全连接层（FC层）处理 channel-wise embeddings，这样会产生两个问题：
- 在CNN中应用SE模块时，模块数量有限制。SE主要在模块上应用（Res-Block或者Inception-Block），FC层无法在网络的所有层上应用。
- 由于FC层参数复杂，难以分析网络不同层间通道的关联性。
为了解决上述两个问题，作者提出了 Gated Channel Transformation （GCT）模块，主要有如下设计：
- 使用一个 归一化模块 替换FC，对通道间的特征关系建模
- 设计了一系列参数，应用 gating mechanism(门控机制) 对通道间的特征关系建模
通过归一化模块和门控机制，GCT模块可以捕获通道特征间的 “竞争” 和 “合作”。如下图所示，GCT模块可以促进 shallow layer 特征间的合作，同时，促进 deep layer 特征间的竞争。这样，浅层特征可以更好的获取通用的属性，深层特征可以更好的获取与任务相关的 discriminative 特征。
GCT模块包括三个部分：global context embedding， channel normalization, gating adaptation，如下图所示：
第一部分：Global context embedding
与SE模块不同，GCT模块没有采用全局池化 (GAP) 的方式，因为在某些情况下GAP会失效。比如在某些应用中会使用 instance normalization，会固定各个通道的均值，这样得到的结果向量就会变成常量。因此，作者使用L2 norm 进行global context embeding：
这里引入了\(\alpha\)，是一组可训练的参数。
第二部分：Channel Normalization
在这部分仍然使用L2 norm，如下所示：
\(\sqrt{C}\)用来避免当\(C\)比较大时，\(\hat{s}_c\)的值过小。与 SE 的 FC层相比，该通道归一化方法计算量更小。
第三部分：Gating adaptation
作者提出了门控机制来 adapte the original feature。使用门控机制，GCT可以在训练过程中促进特征间的竞争与合作：
作者指出，这里设计了权重\(\gamma\) 和 偏置 \(\beta\) 来控制通道特征是否激活。当一个通道的特征权重 \(\gamma_c\)被正激活，GCT将促进这个通道的特征和其它通道的特征“竞争”。当一个通道的特征 \(\gamma_c\) 被负激活，GCT将促进这个通道的特征和其它通道的特征“合作”。
作者在论文中还提供了GCT模块的 pytorch 实现代码：
def forward(self, x, epsilon=1e-5):
# x: input features with shape [N,C,H,W]
# alpha, gamma, beta: embedding weight, gating weight,
# gating bias with shape [1,C,1,1]
embedding = (x.pow(2).sum((2,3), keepdim=True)
+ epsilon).pow(0.5) * self.alpha
norm = self.gamma / (embedding.pow(2).mean(dim=1,
keepdim=True) + epsilon).pow(0.5)
gate = 1. + torch.tanh(embedding * norm + self.beta)
return x * gate
论文有趣的地方是作者做了一个实验，来分析在RestNet50中，\(\gamma\)的变化。可以看出，作者得出一个结论，在网络的浅层，\(\gamma\)的值比较小，普遍在0以下，说明特征间中合作关系；在网络的深层，\(\gamma\)的值就在增大，增长到0以上，说明特征间是竞争关系，有助于分类。
其它部分的内容不过多介绍了，具体可以参考作者论文。
