https://blog.csdn.net/yaoqi_isee/article/details/72784881
Abstract:
作者说明了CNN对于输入的数据缺乏空间变换不变形(lack of spatially invariant ability to input data)，因此作者引入了一个spatial transformer module，不需要额外的监督，能够以data-driven的方式学习得到输入图像的空间变换参数，赋予网络spatial invariant能力。
Introduction:
普通的神经网络通过max-pooling实现了一定程度上的translation invariance，但是这种不变形是通过网络的max-pooling层的堆叠实现的，对于网络内部的feature map来说，输入的图像如果进行了大范围的（平移）变换，feature map还是无法做到invariance（因为每一个max-pooling就只是2x2大小的模块，只能保证在2x2大小范围内的微小的变换，输出是不变的，通过堆叠这些2x2的池化单元，才能实现对大尺度平移变换的不变性）。
这篇文章中，作者提出了一个spatial transformer module（记为ST模块），这个模块对于任意输入的图像或者feature map，产生一个对应的spatial transform的参数，然后根据这个参数将原来的图像或者feature map做一个全局（而非局部）的空间变换，得到最终的canonical pose（也就是正正方方的图，比如原来物体是斜的，通过ST模块之后变成正的了）。
Spatial Transformer:
ST模块可以分成三个部分：localization network根据输入的feature map回归spatial transform的参数 θθ，然后用这个参数去生成一个采样的grid，最后根据这个grid以及输入的feature map得到输出的经过空间变换的feature map，如下图所示
Localization network
localization的网络输入一张feature map U∈RH×W×CU∈RH×W×C，输出 θ=floc(U)θ=floc(U)， θθ 的size取决于我们预先定义的空间变换的类型，比如仿射变换的话，大小就是6维。
Parameterized Sampling Grid
有了空间变换的参数之后，我们就可以知道输出的feature map上的每一个点在输入的feature map上的位置了。比如说对于二维的仿射变换，我们可以建立输出feature map上的坐标和输入feature map上坐标之间的映射关系：
其中 (xti,yti)(xit,yit) 表示输出的feature map上的坐标，(xsi,ysi)(xis,yis) 表示输出feature map上坐标对应在输入feature map上的采样点坐标。
当我们把上面的参数特殊化之后，其实就可以model其他的变换，比如attention，crop,translation，以attention为例，参数为
Differentiable Image Sampling
知道了输出feature map在输入feature map上的采样点坐标之后，接下来就是要根据采样点的值确定输出目标点的值了。这里一般会用到kernel，以采样点为中心的kernel范围内的点对输出目标点的值都有贡献。
上式中，V表示输出特征图，i表示特征图的下标，c表示第c个channel，所有的空间变换对于各个channel都是一样的。H′,W′H′,W′ 表示输出的特征图的长宽。U表示输入的特征图，k表示预定义的kernel，xsi,ysixis,yis 表示采样点坐标，ΦΦ 表示kernel的参数。
一般常用的kernel为双线性插值kernel（根据输出feature map上规律的坐标值计算输入的feature map上采样点的坐标通常得到的坐标值是小数，所以可以用双线性插值计算采样点处的feature值），这个时候，上式就退化成
求导的话也很方便
根据采样点的坐标值可以继续对参数 θθ 求导，从而更新localization网络的参数。
Experiment
1.Distorted MNIST
作者首先在Distorted MNIST数据集上进行实验，主要存在以下几种空间变换：R（旋转）、RTS（旋转平移尺度变换）、P（投影变换）、E（弹性变换）
作者设置了两个baseline：fully-connected NN（FCN）以及convolutional NN（CNN）。
实验组加入了ST模块，分别是Aff（仿射变换）、Proj（投影变换）以及TPS（plate spline transformation）
实验结果如下所示：
表格中的数字表示不同的模型在不同的distorted mnist数据集上的错误率。可以看到加了ST模块的模型相比没有加ST的对照模型，错误率降低了。
右图中第一栏表示输入的distorted的图像，(b)栏表示根据 θθ 得到的sampling grid，(c)栏表示spatial transformer的输出。
3.Fine-Grained Classification
通过在一个网络里面加入多个ST模块，可以提高网络model各种空间变换的能力。作者在CUB数据集（the birds appear at a range of scales and orientations, are not tightly cropped）上进行了实验。
作者以state-of-art作为baseline
作者自己的网络采用了2个或者4个ST模块，模型如下图所示，ST模块用的是attention机制的：
通过locoliation网络预测两个 θθ，然后根据这两个 θθ 得到两个sampling的结果，分别取提取特征做分类。
上图表示CUB上的结果。可以看到2ST-CNN中一个集中在头部一个集中在身体。
---------------------
本文来自 yj_isee 的CSDN 博客 ，全文地址请点击：https://blog.csdn.net/yaoqi_isee/article/details/72784881?utm_source=copy
原文地址：https://www.cnblogs.com/Allen-rg/p/9728998.html