baltam1995

本文提出Triplet Attention三重注意力机制，通过三个并行分支分别捕捉通道-高度、通道-宽度和高度-宽度的跨维度依赖关系，解决了传统注意力机制跨维度交互缺失、信息丢失和计算开销大的问题。该模块采用无维度缩减设计，通过Z-Pool和轻量级卷积生成注意力权重，仅需6k²参数即可实现高效特征增强。实验表明，在ImageNet分类、COCO检测等任务中性能显著提升，同时保持极低计算开销，适用于轻量化模型部署。核心代码通过BasicConv、ZPool和AttentionGate等组件实现三重注意力计算，

本文提出SDFM（表层细节融合模块），通过通道-空间注意力机制实现红外与可见光图像的低层特征融合。该模块首先通过SE-like结构生成跨模态权重进行特征增强，再结合通道和空间注意力动态生成融合权重，最终实现自适应特征融合。SDFM具有轻量化设计、跨模态交互等特点，能有效保留目标细节并抑制噪声，为高层视觉任务提供高质量底层特征。代码实现展示了模块的核心结构，包括特征增强、权重生成和融合过程。