【YOLOv4探讨 之九】（3）混合域注意力机制CBAM -- 利用Darknet YOLOv4在网络中添加注意力机制

前两篇文章《【YOLOv4探讨 之七】利用Darknet YOLOv4在网络中添加注意力机制模块 系列之SE模块》( https://blog.youkuaiyun.com/qq_41736617/article/details/118424585)和《【YOLOv4探讨 之八】（2）SAM模块 – 利用Darknet YOLOv4在网络中添加注意力机制》（ https://blog.youkuaiyun.com/qq_41736617/article/details/118496945）中，我们介绍了SE模块和SAM模块的添加方法，这一篇我们在Darknet中增加了CBAM模块。

基本概念

在Darknet中，CBAM模块可以通过CAM和SAM两种层的拼接来实现。其原理图如下：

这里还留了一个小尾巴，就是CAM模块，先看原理图：
首先分别对待处理的feature map进行通道方向的全局maxpooling和avgpooling，得到2个$C\times 1\times 1$的向量，然后做Shared MLP，可以使用两层通道缩放的卷积，参考SE模型，然后对其相加，再做Sigmoid，将输出与待处理的feature map做scale相乘即可。

配置实现

同前两篇一样，这里依然使用的是yolov3-tiny.cfg进行改造，添加RES和CAM、CBAM模块需要在配置文件中增加####标注的内容：

CAM模块配置

这里使用MPL代替Shared MPL，根据convolutional_layer.c代码，可知使用BN的时候，bias = False。两层convolutional_layer的激活函数使用linear。表示全通过

[convolutional]
batch_normalize=1
filters=256
size=3
stride=1
pad=1
activation=leaky

[maxpool]
size=2
stride=2


[convolutional]
batch_normalize=1
filters=128
size=1
stride=1
pad=1
activation=leaky

####添加内容开始#####

[route]
layers = -2

[convolutional]
batch_normalize=1
filters=128
size=1
stride=1
pad=1
activation=leaky
#####RES开始######
[convolutional]
batch_normalize=1
filters=128
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_norma