Pointnet++改进：在特征提取模块加入NAMAttention注意力机制，有效涨点

简介：
1.该教程提供大量的首发改进的方式，降低上手难度，多种结构改进，助力寻找创新点！
2.本篇文章对Pointnet++特征提取模块进行改进，加入NAMAttention注意力机制，提升性能。
3.专栏持续更新，紧随最新的研究内容。

目录

1.理论介绍

2.修改步骤

2.1 步骤一

         2.2 步骤二

         2.3 步骤三

---

1.理论介绍

NAMAAttention注意力机制简介：

注意力机制是近年来研究的热点之一（Wang et al。[2017]，Hu等人[2018]，Park等人[2018]、Woo等人[2018]和Gao等人[199]）。它有助于深度神经网络抑制不太显著的像素或通道。许多先前的研究都侧重于通过注意操作捕捉显著特征（Zhang等人[2020]，Misra等人[2021年]）。这些方法成功地利用了来自不同维度特征的相互信息。然而，它们缺乏对权重的贡献因素的考虑，这能够进一步抑制不重要的通道或像素。受Liu等人的启发。【2017】，我们旨在利用权重的贡献因素来改善注意力机制。我们使用批量归一化的比例因子，该比例因子使用标准偏差来表示权重的重要性。这可以避免添加SE、BAM和CBAM中使用的完全连接层和卷积层。

因此，我们提出了一种有效的注意力机制——基于归一化的注意力模块（NAM）