一些问题请教一下

[qdd1234]

1.您的论文中关于在FPN中应用AFF代码是哪个部分，我没找到 2.Global + Local方式您是在哪个分支上增加globalpooling的，还是两个分支任意哪个都可以？ 麻烦您能帮我解答一下，谢谢

[YimianDai]

谢谢。

目前 FPN 的代码还没有上传，主要是我最近几天又把代码重构了一遍，想把重构后的代码上传。一则，目前的代码写得有点挫；二则目前的代码没用什么 trick，我想看看用了一些 trick 后，较浅的 ResNet、ResNeXt 网络性能能到什么样。

我目前已经把 CIFAR-100 的实验跑好了，可以在现有的基础上提高一个百分点以上，最高的模型准确率可以到 91.8%。ImageNet 比较耗时，还在跑。大概 3 天后我会把图像分类的 新的代码 和 训练好的模型 上传 覆盖现在老的代码。FPN 的代码同理，我会重新跑后再上传，顺利的话大概 1 周后（等 ImageNet 跑完 GPU 空出来，三天后才能跑完 iAFF-ResNet/ResNeXt，而 AFF-ResNet/ResNeXt 会快一点，大概还需要 3 - 4 天时间），很不好意思。

加了 globalpooling 的就是 Global 分支，没加就是 local，两者的区别只在于 pooling 的 scale。globalpooling 的 pooling scale 是 HxW 特征图大小，local 的就是 1 x 1 point-wise.

[FelixZhang7]

@YimianDai 作者您好，我想问一下您的方法有没有在速度上和加了SE，SK模块之类的resnet网络进行比较呢？

[YimianDai]

@YimianDai 作者您好，我想问一下您的方法有没有在速度上和加了 SE，SK 模块之类的 resnet 网络进行比较呢？

速度上肯定会比 SE、SK 慢，因为 SE、SK 用的 Global Channel Attention 只要用 PWConv 对 GlobalAVGPooling 后大小为 1x1 的点做一次就好，而 MS-CAM 中的 Point-wise Conv 要对整个 H x W 的特征图做。虽然这点计算量相对整个 Residual Block 本身的卷积比例不高（具体比例如下图所示），但比起 SE、SK 这种几乎没有计算开销的还是会慢上不少。

我没有在论文里强调这点，因为这个本身是我论文的一个不足，扬长避短嘛。但相比添加 local channel attention 分支带来的性能提升，我感觉这点计算时间上的 trade-off 还是值得的。如果需要的话，我后面会添加一个 Flops 的比较，但 AFF 会比较吃亏就是了。

[mcmingchang]

你好，考虑推出pytorch版本吗

[YimianDai]

你好，考虑推出 pytorch 版本吗

我有转向 PyTorch 的计划，毕竟 MXNet 用得人太少了。但一则最近我工作以外的事情太多了，二则我也不是很熟悉 PyTorch，所以我自己的计划是等到今年过年的时候，趁那段时间一边熟悉下 PyTorch 一边把代码重写下。

[jzw0707]

作者您好，Attentional Feature Fusion是非常好的工作，对于我后续的工作和研究非常有帮助和启发，但是无奈对于MXNet不是很了解，期望您在闲暇之余推出pytorch版本，非常感谢。

[YimianDai]

作者您好，Attentional Feature Fusion 是非常好的工作，对于我后续的工作和研究非常有帮助和启发，但是无奈对于 MXNet 不是很了解，期望您在闲暇之余推出 pytorch 版本，非常感谢。

谢谢！等我忙完目前毕业论文的修改，我就开始着手弄这个。