[논문 리뷰] AttM-CNN: Attention and metric learning based CNN for pornography,age and Child Sexual Abuse (CSA) Detection in images(Neurocomputing, 2021) 리뷰

• 음란물 탐지 및 연령 그룹 분류 네트워크를 위한 두 가지 전략 사용
  • 바이너리 CSA 분류를 위한 decision level fusion
  • 의심 이미지 재배열을 위한 score level fusion
  • decision/score level - 유사하나 융합 전 점수가 일치/비일치 결정으로 전환된다는 점이 다름( 출처: score/decision level fusion 관련 링크)
• AttM-CNN model
  
  • 아키텍처
    • 바이너리 CSA 분류를 위한 decision level fusion
    • 의심 이미지 재배열을 위한 score level fusion
    • decision/score level - 유사하나 융합 전 점수가 일치/비일치 결정으로 전환된다는 점이 다름( 출처: score/decision level fusion 관련 링크)

• convAB: AxA filter size, B의 stride의 layer
• maxpool■: ■x■ filter size, ■의 stride

•  AttM-CNN 개요
  • 제안 방법(아키텍처의 장점)
    1. 스포트라이트를 받을 가장 중요한 이미지 영역을 강화하기 위한 시각적 attention
    2. softmax와 중심 손실을 결합하여 보다 식별 가능한 표현을 학습하는 메트릭 학습
    3. 최근 딥 네트워크 아키텍처의 구성 요소, (Residual connection, Inception)의 계산 비용 매개변수의 수를 낮게 유지
  • 흐름
    • 1x1 convolutions: 네트워크 레이어 증가, 필터 차원 감소의 목적
    • Inception reduction blocks: 컨볼루션 수행, 피쳐맵 다운샘플링의 목적
    • pooling layer → residual connection, additional 1x1 convolution
    • first attention module(input: 32x32x384 feature map)
      • Inception reduction layer, two Inception-ResNet layer
      • 음란물 탐지 및 연령 그룹 분류 네트워크를 위한 두 가지 전략 사용
    • AttM-CNN model
      • 아키텍처
        • convAB: AxA filter size, B의 stride의 layer
        • maxpool■: ■x■ filter size, ■의 stride
        AttM-CNN 개요
        • 제안 방법(아키텍처의 장점)
          1. 스포트라이트를 받을 가장 중요한 이미지 영역을 강화하기 위한 시각적 attention
          2. softmax와 중심 손실을 결합하여 보다 식별 가능한 표현을 학습하는 메트릭 학습
          3. 최근 딥 네트워크 아키텍처의 구성 요소, (Residual connection, Inception)의 계산 비용 매개변수의 수를 낮게 유지
        • 흐름
        • 1x1 convolutions: 네트워크 레이어 증가, 필터 차원 감소의 목적
        • Inception reduction blocks: 컨볼루션 수행, 피쳐맵 다운샘플링의 목적
        • pooling layer → residual connection, additional 1x1 convolution
        • first attention module(input: 32x32x384 feature map)
          • Inception reduction layer, two Inception-ResNet layer