CBAM注意力模块原理

CBAM（Convolutional Block Attention Module）是一种用于增强卷积神经网络（CNN）的注意力机制。它由两个子模块组成：通道注意力模块（Channel Attention Module）和空间注意力模块（Spatial Attention Module）。

通道注意力模块的目标是对输入特征图中的不同通道进行加权，以强调重要的通道信息。它通过两个全连接层来学习通道权重。首先，输入特征图经过一个全局平均池化层，将特征图的每个通道的平均值计算出来。然后，这些通道平均值通过一个全连接层和一个激活函数（如Sigmoid）进行处理，得到一个通道权重向量。最后，通过将通道特征图与通道权重向量相乘，得到加权后的通道特征图。

空间注意力模块的目标是对输入特征图中的空间位置进行加权，以强调重要的空间信息。它通过一个3x3的卷积层来学习空间权重。首先，输入特征图经过一个最大池化层和一个平均池化层，得到两个不同尺度的特征图。然后，这两个特征图分别经过一个3x3的卷积层和一个激活函数（如Sigmoid）进行处理，得到两个空间权重图。最后，将输入特征图与两个空间权重图相乘，得到加权后的特征图。

通道注意力模块和空间注意力模块可以结合在一起，形成CBAM注意力模块。通过使用CBAM模块，CNN可以自适应地学习关注输入特征图中的重要通道和空间位置，从而提升网络的性能和表达能力。