YOLOv8添加CBAM注意力机制(模型改进)

一、CBAM注意力机制

CBAM（Convolutional Block Attention Module）是一种用于增强卷积神经网络（CNN）性能的注意力机制模块。它由Sanghyun Woo等人在2018年的论文（https://arxiv.org/abs/1807.06521）中提出。CBAM的主要目标是通过在CNN中引入通道注意力和空间注意力来提高模型的感知能力，从而在不增加网络复杂性的情况下改善性能。

CBAM由两个关键部分组成：通道注意力模块（C-channel）和空间注意力模块（S-channel）。这两个模块可以分别嵌入到CNN中的不同层，以增强特征表示。

二、通道注意力模块

通道注意力模块的目标是增强每个通道的特征表达

三、空间注意力模块

空间注意力模块的目标是强调图像中不同位置的重要性

四、CBAM模块

CBAM就是将通道注意力模块和空间注意力模块的输出特征逐元素相乘，得到最终的注意力增强特征。这个增强的特征将用作后续网络层的输入，以在保留关键信息的同时，抑制噪声和无关信息。原文实验证明先进行通道维度的整合，再进行空间维度的整合，模型效果更好

五、如何在YOLOv8中添加CBAM注意力模块

CBAM模块