cbam注意力机制工作流程

CBAM（Channel-wise and Spatial Attention Modules）是一种用于卷积神经网络（CNN）的自注意力机制，它主要用于提升图像分类、物体检测等任务中的特征提取能力。CBAM主要包括两个部分：通道注意力（Channel Attention）和空间注意力（Spatial Attention）。

1. **通道注意力**：首先，它对每个特征图的每个通道进行全局平均池化和归一化，然后通过一系列线性变换（通常是全连接层）生成一个通道权重向量。接着，使用softmax函数将这个向量转换为概率分布，表示各个通道的重要性。最后，通过逐通道加权的方式，增强重要的特征并抑制不重要的特征。

2. **空间注意力**：在这个阶段，CBAM会采用最大池化和平均池化操作分别捕捉每个位置的最大值和平均值，然后通过相同的线性变换计算出局部空间注意力。这一步同样应用softmax函数来确定每个像素的位置重要性。

整个过程可以看作是在特征维度和空间维度上分别进行注意力分配，增强了模型对关键信息的关注。这两个模块通常会串联起来，先做通道注意力再做空间注意力，以获得更全面的特征上下文信息。