即插即用篇 | YOLOv8 引入 SimAM 注意力机制 | 《SimAM: A Simple, Parameter-Free Attention Module for Convolutional》

1. 介绍

SimAM（Simple Attention Module）是一种简单、无参数的注意力机制，可用于卷积神经网络（CNN）。与其他注意力机制不同，SimAM 不需要引入额外的参数，因此计算成本更低、部署更方便。SimAM 已被证明可以有效提高 CNN 的性能，特别是在目标检测任务中。

YOLOv8 是 Ultralytics 公司于 2022 年 8 月推出的最新一代目标检测算法。YOLOv8 在 YOLOv5 的基础上进行了大量改进，包括引入了 SimAM 注意力机制。SimAM 的引入进一步提升了 YOLOv8 的性能，使其在 COCO 数据集上的 mAP 指标达到了 61.7%。

2. 原理详解

SimAM 的基本原理是利用特征图中的全局信息来增强局部特征的表征能力。具体来说，SimAM 的工作流程如下：

1. **计算全局特征：**使用全局平均池化操作提取特征图的全局特征。
2. **计算局部特征：**对每个像素点进行计算，得到该像素点的局部特征。
3. **计算注意力权重：**使用全局特征和局部特征进行计算，得到每个像素点的注意力权重。
4. **加权融合：**使用注意力权重对局部特征进行加权融合，得到最终的特征表示。

SimAM 的计算公式如下：

A(x) = σ(W * g(x) + b)

其中：

• A(x)：注意力权重
• x：局部特征
• g(x)：全局特征
• W：权重矩阵