resnet101加入注意力cbam

ResNet101是一种深度残差网络架构，常用于图像分类和目标检测任务。它通过引入残差连接来解决梯度消失问题，提高了网络的训练效果。

而CBAM（Convolutional Block Attention Module）是一种注意力机制模块，用于提高特征图中的有用信息权重，并抑制无用信息，以增强网络对目标的感知。CBAM模块由两个主要部分组成：通道注意力与空间注意力。

为了将CBAM应用到ResNet101中，我们需要在ResNet101的各个残差块之间插入CBAM模块。具体操作如下：

1. 在ResNet101的每个残差块的输出之后，插入CBAM模块。这可以在输出特征图的最后一层卷积层之后添加CBAM模块，用于分别增强各个残差块的特征表达能力。

2. CBAM模块中的通道注意力用于对每个通道的特征图进行自适应加权。它通过全局平均池化层获取通道的平均表达，然后通过两个全连接层得到通道注意力向量。最后，将该向量与原始特征图相乘并经过归一化操作，以获得增强的特征图。

3. CBAM模块中的空间注意力用于对每个空间位置进行自适应加权。它通过对特征图进行最大池化和平均池化操作，得到每个空间位置的最大激活值和平均激活值，然后通过两个全连接层得到空间注意力向量。最后，将该向量与原始特征图相乘并经过归一化操作，以获得增强的特征图。

通过将CBAM模块插入到ResNet101的各个残差块中，可以增强网络对目标的感知能力，并提高图像分类和目标检测的性能。这种组合能够充分利用ResNet101的深度特征提取能力，并通过CBAM模块的引入，进一步优化网络的表达能力和抑制不相关特征的干扰。