cbam注意力机制的相关公式

CBAM（Convolutional Block Attention Module）是一种用于计算机视觉任务的注意力机制模块。CBAM模块包括通道注意力和空间注意力两个部分。以下是CBAM注意力机制的相关公式：

1. 通道注意力：
首先，计算通道注意力权重，可以使用以下公式：

$$
\text{Channel Attention}(X) = \sigma\left(\text{MLP}_{\text{C}}(\text{AvgPool}(X))\right) \otimes X
$$

其中，$X$ 表示输入特征图，$\text{AvgPool}$ 是平均池化操作，$\text{MLP}_{\text{C}}$ 是一个全连接网络（多层感知器），$\sigma$ 表示sigmoid激活函数。MLP网络将平均池化后的特征图映射到一个通道注意力权重向量，然后使用逐元素乘法（$\otimes$）将权重应用到输入特征图上。

2. 空间注意力：
在通道注意力的基础上，计算空间注意力权重，可以使用以下公式：

$$
\text{Spatial Attention}(X) = \sigma\left(\text{MLP}_{\text{S}}(\text{MaxPool}(X))\right) \otimes X
$$

其中，$\text{MaxPool}$ 是最大池化操作，$\text{MLP}_{\text{S}}$ 是另一个全连接网络，$\sigma$ 表示sigmoid激活函数。MLP网络将最大池化后的特征图映射到一个空间注意力权重向量，然后使用逐元素乘法将权重应用到输入特征图上。

最终，将通道注意力和空间注意力的结果相加，得到CBAM模块的输出结果。

需要注意的是，上述公式只是CBAM模块中通道注意力和空间注意力的一种实现方式，具体的网络结构和参数设置可能会有所不同。