【Network】通道注意力网络和空间注意力网络

• CBAM：论文地址

• 目的：
  卷积操作是通过混合通道和空间两个维度的信息来特征提取的。在注意力方面，SE仅关注了通道注意力，没考虑空间方面的注意力。因此，本文提出了 CBAM——一种同时关注通道和空间注意力的卷积模块，可以用于CNNs架构中，以提升feature map的特征表达能力。

• 网络结构：
  网络主结构
  CAM和SAM的结构
  
  CAM：通道注意力机制就是学习一个不同通道的加权系数，同时考虑到了所有区域
  
  
  SAM:空间注意力机制就是学习整个画面不同区域的系数，同时考虑到了所有通道。
  

• Pytorch代码实现：

  import torch
  from torch import nn
   
   
  class ChannelAttention(nn.Module):
      def __init__(self, in_planes, ratio=16):
          super(ChannelAttention, self).__init__()
          self.avg_pool = nn.AdaptiveAvgPool2d(1)
          self.max_pool = nn.AdaptiveMaxPool2d(1)
   
          self.fc1   = nn.Conv2d(in_planes, in_planes // 16, 1, bias=False)
          self.relu1 = nn.ReLU()
          self.fc2   = nn.Conv2d(in_planes // 16, in_planes, 1, bias=False)
   
          self.sigmoid = nn.Sigmoid()
   
      def forward(self, x):
          avg_out = self.fc2(self.relu1(self.fc1(self.avg_pool(x))))
          max_out = self.fc2(self.relu1(self.fc1(self.max_pool(x))))
          out = avg_out + max_out
          return self.sigmoid(out)
   
   
  class SpatialAttention(nn.Module):
      def __init__(self, kernel_size=7):
          super(SpatialAttention, self).__init__()
   
          assert kernel_size in (3, 7), 'kernel size must be 3 or 7'
          padding = 3 if kernel_size == 7 else 1
   
          self.conv1 = nn.Conv2d(2, 1, kernel_size, padding=padding, bias=False)
          self.sigmoid = nn.Sigmoid()
          self.register_buffer()
   
      def forward(self, x):
          avg_out = torch.mean(x, dim=1, keepdim=True)
          max_out, _ = torch.max(x, dim=1, keepdim=True)
          x = torch.cat([avg_out, max_out], dim=1)
          x = self.conv1(x)
          return self.sigmoid(x)
  

• 参考： https://blog.csdn.net/oYeZhou/article/details/116664508