我们通过利用特征的通道间关系来生成通道注意图。由于特征图的每个通道都被视为特征检测器[32],因此通道注意集中于“对于输入图像而言有意义的”。为了有效地计算频道注意力,我们挤压输入特征图的空间尺寸。迄今为止,为汇总空间信息,通常采用平均池化。 Zhou等人[33]建议用它来有效地学习目标物体的范围,Hu等人[33]则建议使用这种方法。 [28]在他们的注意力模块中采用它来计算空间统计量。除了先前的工作,我们认为最大池收集了关于物体独特特征的另一个重要线索,以推断出更精细的通道注意。因此,我们同时使用平均池和最大池功能。我们凭经验证明,利用这两种功能极大地提高了网络的表示能力,而不是单独使用它们(请参阅第4.1节),这表明了我们设计选择的有效性。我们在下面描述详细的操作。我们首先使用平均池和最大池操作来汇总特征图的空间信息,生成两个不同的空间上下文描述符:Fcavg和Fcmax,分别表示平均池特征和最大池特征。然后将这两个描述符转发到共享网络,以生成我们的频道注意图Mc RC×1×1。共享网络由具有一个隐藏层的多层感知器(MLP)组成。为了减少参数开销,隐藏激活大小设置为RC / r×1×1,其中r是缩小率。将共享网络应用于每个描述符后,我们使用逐元素求和合并输出特征向量。简而言之,频道关注度的计算公式为
CBAM翻译
最新推荐文章于 2021-03-12 14:32:23 发布
![](https://img-home.csdnimg.cn/images/20240711042549.png)