[논문 리뷰] Attentive Group Equivariant Convolutional Networks

David W. Romero, Erik J. Bekkers외 2명|arXiv (Cornell University)|2020. 02. 07.

Advanced Neural Network Applications참고 문헌 60인용 수 32

한 줄 요약

이 연구는 의미 있는 대칭 관계를 학습하는 주의(attentive) 메커니즘을 도입하여 그룹 컨볼루션을 일반화하고, SE(2) 및 E(2)를 위한 rot-MNIST 및 CIFAR-10에서 표준 그룹-동등 네트워크 대비 성능을 향상시키며 해석 가능한 등가 주의 맵을 제공한다.

ABSTRACT

Although group convolutional networks are able to learn powerful representations based on symmetry patterns, they lack explicit means to learn meaningful relationships among them (e.g., relative positions and poses). In this paper, we present attentive group equivariant convolutions, a generalization of the group convolution, in which attention is applied during the course of convolution to accentuate meaningful symmetry combinations and suppress non-plausible, misleading ones. We indicate that prior work on visual attention can be described as special cases of our proposed framework and show empirically that our attentive group equivariant convolutional networks consistently outperform conventional group convolutional networks on benchmark image datasets. Simultaneously, we provide interpretability to the learned concepts through the visualization of equivariant attention maps.

연구 동기 및 목표

• CNN의 효율성과 일반화 능력을 향상시키기 위해 대칭성과 등가성의 활용을 동기 부여한다.
• 대칭 구성 요소 간의 관계를 학습하기 위해 주의(attentive) 그룹 컨볼루션을 도입한다.
• 벤치마크 데이터셋에서 기존의 그룹 등가 네트워크에 비해 실증적 개선을 보인다.
• 학습된 등가 주의 맵의 시각화를 통해 해석 가능성을 제공한다.

제안 방법

• 주의 그룹 컨볼루션을 다음과 같이 정의한다: [f ⋆^α_G ψ](g) = sum_c ∫_G α_c(g, g~) f_c(g~) L_g[ψ_c](g~) dg~, 여기서 α는 주의 연산자 A(Eq. 14)에 의해 계산된다.
• 주의를 공간 구성 요소 α^X와 채널 구성 요소 α^C로 분해하여 계산 비용을 줄이고 등가성을 보존한다(요인화 α(g, g~) = α^X((x,h),(x~,h~)) α^C(h,h~)) (Sec. 3.2).
• 주목 정리 1: A[L_ḡ f](g, g~) = A[f](ḡ^{-1}g, ḡ^{-1} g~) (Eq. 15).
• 그라디언트 흐름을 촉진하고 주의가 [0,1] 값을 갖도록 허용하기 위해 잔차 주의 분기를 사용하며, 직접 연결과 학습된 주의를 결합한다 (Sec. 3.3).
• 주의 그룹 컨볼루션을 그룹 컨볼루션의 시퀀스와 포인트와이즈 비선형성으로 구현하고, 직렬 채널 및 공간 주의를 포함한다 (Fig. 6).
• 주의 그룹 주의를 제안된 G-등가 프레임워크의 특수한 경우로서 기존의 시각 주의 연구와의 관계를 밝혀낸다 (Sec. 3.1).

실험 결과

연구 질문

• RQ1 G-등가성을 깨뜨리지 않으면서 그룹 컨볼루션에 주의 메커니즘을 어떻게 도입할 수 있을까?
• RQ2 SE(2)와 E(2) 그룹에 대한 벤치마크 데이터셋에서 주의 그룹 등가 네트워크가 표준 그룹 등가 네트워크를 능가하는가?
• RQ3 고차원 그룹 공간에서 등가 주의 맵을 어떻게 효율적으로 계산하고 시각화할 수 있는가?
• RQ4 그룹 이론적 관점에서 학습된 주의 메커니즘과 기존의 시각 주의 접근 방식과의 관계는 무엇인가?

주요 결과

• 주목 그룹 컨볼루션은 SE(2) 및 E(2) 그룹에 대해 rot-MNIST와 CIFAR-10에서 일반 그룹 등가 네트워크를 지속적으로 능가한다.
• 이 프레임워크는 예측된 등가 주의 맵의 시각화를 통한 해석 가능성을 제공한다.
• 선행 시각 주의 방법은 주의 그룹 컨볼루션 프레임워크의 특수한 경우로 포함된다.
• 주목 맵의 효율적인 분해는 등가성을 보존하면서 계산 부담을 줄인다.