【YOLOv8改进 - 注意力机制】c2f结合CBAM：针对卷积神经网络（CNN）设计的新型注意力机制

YOLOv8目标检测创新改进与实战案例专栏

专栏目录： YOLOv8有效改进系列及项目实战目录 包含卷积，主干 注意力，检测头等创新机制 以及 各种目标检测分割项目实战案例

专栏链接: YOLOv8基础解析+创新改进+实战案例

介绍

摘要

我们提出了卷积块注意力模块（Convolutional Block Attention Module，CBAM），这是一种简单但有效的用于前馈卷积神经网络的注意力模块。给定一个中间特征图，我们的模块依次推断沿两个独立维度（通道和空间）的注意力图，然后将注意力图与输入特征图相乘以进行自适应特征优化。由于CBAM是一个轻量且通用的模块，可以无缝地集成到任何卷积神经网络（CNN）架构中，且开销可以忽略不计，并能够与基础CNN进行端到端训练。我们通过在ImageNet-1K、MS COCO检测和VOC 2007检测数据集上进行广泛的实验验证了CBAM。我们的实验表明，在各种模型中，分类和检测性能均有一致的提升，证明了CBAM的广泛适用性。代码和模型将公开可用。

文章链接

论文地址：论文地址

代码地址：代码地址

参考代码： yolov8源代码中的ultralytics.nn.modules.conv.CBAM

基本原理

Convolutional Block Attention Module（CBAM）是一种针对卷积神经网络（CNN）设计的新型注意力机制，旨在增强其在各种计算机视觉任务中的性能，如图像分类和目标检测。CBAM依次沿着通道和空间两个独立维度推断注意力图，然后将这些图结合起来，自适应地优化输入特征图。

1. 通道注意力模块：CBAM中的通道注意力机制专注于建模特征图中不同通道之间的相互关系。它学习为每个通道分配不同的重要性权重，通过捕捉通道间的关系，有助于网络强调信息丰富的通道，同时抑制不太相关的通道，从而改善特征表示。

2. 空间注意力模块：CBAM中的空间注意力机制旨在捕捉特征图中每个通道内的空间依赖关系。通过分析不同位置之间的空间关系，空间注意力模块学习突出重要的空间区域，同时抑制不相关的区域。这使网络能够专注于相关的空间位置，以更好地提取特征。

以下为 CBAM (Convolutional Block Attention Module) 的架构