YOLOv9改进，YOLOv9添加NAM注意力机制并与RepNCSPELAN4结构融合

---

前言

本文集中于开发用于密集预测的现代、高效、轻量级模型，同时在参数、FLOPs和性能之间进行权衡。反向残差块（IRB）是轻量级CNN的基础结构，但在基于注意力的研究中没有得到相应的重视。本文从统一的角度重新思考了轻量级基础结构，结合了高效的IRB和Transformer的有效组件，将基于CNN的IRB扩展到基于注意力的模型，并抽象出一个用于轻量级模型设计的单残差Meta Mobile Block（MMB）。遵循简单但有效的设计原则，我们推导出一个现代化的反向残差移动块（iRMB），并构建了一个仅使用iRMB的类似ResNet的高效模型（EMO）用于下游任务。

NAM介绍

我们提出了NAM作为一种高效且轻量级的注意机制。我们采用了CBAM中的模块整合方法，并重新设计了通道和空间注意子模块。然后，在每个网络块的末端嵌入NAM模块。对于残差网络，它被嵌入到残差结构的末端。
我们还对空间维度应用BN的缩放因子来衡量像素的重要性。我们称之为像素归一化。对应的空间注意子模块如图2。
NAM的优势
1.高效性：通过使用BN的缩放因子，我们能够高效地衡量通道和像素的重要性，而不会显著增加计算复杂度。
2.轻量级：NAM模块结构简单且易于嵌入现有网络架构中。
3.性能提升：通过对显著性较低的权重进行抑制，NAM能够提高模型的性能。
这些特性使得NAM成为一种高效且实用的注意机制，能够在多种计算机视觉任务中实现性能提升。

NAM理论详解可以参考链接：论文地址
NAM代码可在这个链接找到：代码地址

本文在YOLOv9中引入NAM，并与RepNCSPELAN4结构融合，代码已经整理好了，跟着文章复制粘贴，即可直接运行