CBAM: Convolutional Block Attention Module------论文理解

参考博客：https://blog.youkuaiyun.com/u013738531/article/details/82731257

pytorch代码：https://github.com/luuuyi/CBAM.PyTorch

1. 概述

本论文提出了一种简单但有效的注意力网络---Convolutional Block Attention Module(CBAM)。给定一个中间的特征图，我们的模块沿着两个不同的维度依次计算注意力图，分别是通道上和空间上，然后将输出的注意力图与输入的特征图相乘，这样做是为了可以自适应特征改进。由于CBAM是轻量级的，因此它可以融合到任何一个CNN架构中，并且有可忽略不计的开销。

---

卷积神经网络在很大程度上推动了计算机视觉任务的发展，最近的研究主要研究了网络的三个重要因素：深度，宽度，维度。
深度的代表：VGG，ResNet；宽度的代表：GoogLeNet；维度的代表： Xception， ResNeXt。

除了上述三点，我们研究了架构设计的不同方面：注意力。注意力不仅告诉我们要注意到哪块，而且提高感兴趣区域的代表性。我们的目标是通过使用注意机制来增加表现力：注意到重要的特征同时压缩不必要的特征。

由于卷积运算通过将跨通道和空间信息混合在一起来提取信息特征，我们采用本文提出的CBAM模块来强调这两个主要维度的有意义的特征：通道维度和空间维度。

2. Convolutional Block Attention Module