这篇论文主要是把注意力机制应用在了图像分类上，其实作者的思路很简单，就是在原有的ResNet网络的基础上，添加了一些新的分支：Soft Mask Branch。
废话不多说，下面直接看看论文里作者的介绍。略过前面的一堆废话不提，直接看第3部分。
3. Residual Attention Network
首先，作者大概介绍了一下Residual Attention Network是怎么回事，然后介绍说自己用stacking Attention Modules方法的原因，因为和最简单的只使用一次soft weight mask方法相比，stacking 具有很多优势。
在有些图片中，由于背景复杂，环境复杂，这时候就需要对不同的地方给与不同的注意力。如果只使用一次soft weight mask分支，那么可能需要指数级的通道数来捕捉这些信息。而且只有一次机会，有些时候有可能会导致捕捉失败。
而在Residual Attention Network中，因为主网络的每个分支都有自己单独的mask分支，所以可以缓解上面说的这些情况。
3.1. Attention Residual Learning
作者在这一部分介绍了为什么要借鉴使用Residual 结构，然后给出了公式。主要有两个原因：原始的Attention Modules由于使用点乘的形式，会导致效果明显下降。首先，和mask分支进行点乘会导致在deep layers中提取到的特征的数值明显下降。第二，soft mask有可能会破坏主网络的有些好的性质，比如the identical mapping of Residual Unit。（ps：关于作者给的这两个原因不敢苟同，后面会具体说说我个人的想法）
3.2. Soft Mask Branch
作者借鉴了FCN的结构，在attention分支中对特征图进行卷积和反卷积的操作（其实，和RNN中many-to-many有异曲同工之妙，都是encoder-decoder结构）。另外，作者在这个分支中，又设计了单独的分支内部的residual unit。
另外，作者还提供了一个分支结构的示意图：
3.3. Spatial Attention and Channel Attention
我们知道，注意力模型输出的结果是0—1的数值，作者最终使用的是sigmoid函数，在这里，作者又讨论了另外的两种方法：一个是在每一张特征图上进行归一化，也就是这里说的Spatial Attention；另一种是在通道上进行归一化，也就是这里说的Channel Attention。不过，经过作者验证，还是使用sigmoid函数的效果最好。
（ps：作者在attention分支中没有使用BN层，在使用sigmoid激活函数之前，接一个BN层，会不会效果更好，可以验证一下。）
第4部分，作者主要就是进行了一些实验验证，和别的一些分类网络做了对比。然后对某些地方做了进一步的分析。具体来看两个地方：
Attention Residual Learning
Attention Module的设计一方面可以消除图片中噪声的影响（也即是，无效区域），另一方面，可以保留有用信息（也即是，我们需要关注的目标区域）。而实现的方法就是：attention分支和主网络上面的feature进行点乘。但是，如果是在深层网络中使用stacking方法，反复的点乘会导致数值衰减的很快。而我们设计的attention residual结构，由于使用identical mapping，可以有效缓解这种情况。这也就是作者在3.1中说的第一个原因。
另外，作者给出了一张图来对比论文的网络和naive attention learning的输出结果。
乍一看这张图，哇，确实是哦，NAL到后期基本上衰减到0了，但其实，仔细想一下，这里面的问题很大。这就是我说对作者的观点不敢苟同的原因。
首先，来看ARL和ResNet-164这两条线，这两个肯定没什么问题，而且ARL比ResNet-164来的要低，也说明了attention branch起了一定的作用，如果没起作用的话，大不了两条线重合就是了。
那么问题出在哪里呢，当然是NAL，主要有两个地方：一个是计算方法的问题，这里计算的是平均值，如果我们使用NAL的话，那么对于图片中不需要的信息，当然就都被变为0了，而且对于大部分的图片来说，这种区域是占了很大比重的的。这个时候，计算平均值的时候，如果平均值不衰减的很快就怪了，那才说明出问题了，说明你的attention分支压根就没什么作用（当然，目标区域的数值肯定也会有一定程度的减小，这个不可避免。）从这个Figure 4上面来看，NAL很小，这说明很好啊，NAL很好的完成了任务。而且，这个结果在作者给的Figure 1中也得到了证明。
可以看出，经过naive attention learning，图像中的大部分的区域都被过滤掉了，只有目标区域被保留了下来，这个时候如果对整张图片进行平均的话，得出的数值很小这是必然的。
另外一个问题，就是坐标系的问题，把NAL和ResNet-164放在一份坐标系里进行比较，他们之间的数值相差很大，这个时候体现在Figure 4里面，当然从视觉上来看NAL就接近0了，如果把NAL单独拿出来，可能就会好看很多。
Comparison of different mask structures
作者在attention分支中比较了两种不同的方法：全部采用conv的方式，而且步长设为1；还有一个就是现在使用的方法：先使用down sampling，然后使用up sampling。得出的结论当然是后一种方法比较好。
（ps：分析一下原因，在进行down sampling的时候，实际上是对图片进行了模糊处理，这在无形中就起到了过滤的作用。）
对了，还有一个地方，作者在3.1中提到的第二个原因，我觉得这个有点扯，作者纯粹就是拿来凑数的。因为attention分支是和Residual Unit平行的结构，怎么可能会造成影响。另外，attention机制做的本来就是破坏的工作，怎么破坏的呢，直接过滤掉无效区域，只保留想要关注的部分。（实际上，就是特征提取，哈哈。。。）
好了，最后作一下总结：去掉那些复杂的专业名词和花里胡哨的说法，到底什么是注意力模型，其实应该叫注意力机制更好一点，在具体一点，就是特征提取，只不过这里要分两个步骤：首先生成一张取值为0—1之家的mask，然后和原来的特征相乘，这样就让不关注的区域变为0，关注的区域数值不变，而具体的位置，网络可以自己学习。
那么，具体到这篇论文，实际上就是一个ResNet网络就的改进，只不过这里改进的方向不是在深度上，而是在宽度上，增加了一些attention分支。
