CBAM的算法原理流程图

CBAM（Convolutional Block Attention Module）是一种用于图像分类任务的注意力机制模块。其算法原理和流程图如下：

1. 输入特征图和通道注意力权重 $C$ 和空间注意力权重 $S$。

2. 对于通道注意力权重，首先进行全局池化操作，然后经过两个全连接层和一个sigmoid激活函数，得到一个大小为通道数的向量 $c$。

3. 对于空间注意力权重，首先经过一个卷积层，得到一个大小为 $H \times W$ 的特征图 $M$，然后进行全局池化操作，接着经过两个全连接层和一个sigmoid激活函数，得到一个大小为 $H \times W$ 的向量 $s$。

4. 将通道注意力权重与空间注意力权重相乘，得到最终的注意力权重 $A$。

5. 将输入特征图与注意力权重相乘，得到加权后的特征图。

6. 最后将加权后的特征图送入卷积层进行下一步操作。

CBAM的算法原理和流程图如上所述。注意力机制模块能够帮助模型关注图像中的重要部分，提高模型的准确率。