研究問題：
在給定特征圖下，通過通道和空間兩個維度推導(dǎo)出注意力圖，然后將注意力圖乘到輸入的特征圖上以用來自適應(yīng)的細(xì)化輸入的特征。設(shè)計的CBAM是一個輕量的模塊，可以方便的集成在任意的CNN模型中。
相關(guān)信息：
1、VGGNet通過堆積相同的形狀的塊并不會使得結(jié)果變差；ResNet使用了跳躍連接與相同的拓?fù)錃埐顗K構(gòu)建了非常深的網(wǎng)絡(luò)；GoogleNet表明增加網(wǎng)絡(luò)的寬度可以改善網(wǎng)絡(luò)的性能；Xception和ResNeXt表明基數(shù)比深度與寬度這兩個因素具有更強(qiáng)的表示能力。
2、注意力機(jī)制不僅可以將注意力集中在感興趣的區(qū)域，還能夠提高感興趣區(qū)域的表現(xiàn)力。論文的目的就在于利用注意力機(jī)制，關(guān)注重要的特征并抑制不重要的特征。
3、卷積操作本質(zhì)是通過跨通道與空間來提取特征，所以論文就分別設(shè)計了通道與空間兩個注意力模塊。
網(wǎng)絡(luò)架構(gòu)：
1、
分為兩個子模塊，一個是通道注意力模塊，一個是空間注意力模塊。具體原理如下：
給定一個特征圖，生成的通道注意力圖為
，空間注意力圖為
，對注意力過程總結(jié)如下：
概括來說，就是輸入特征圖依次與通道注意力圖與空間注意力圖作點乘，最終得到更加細(xì)化的特征圖。
2、1）通道注意力模塊：
通道注意力圖主要是由通道之間的關(guān)系得到，過去人們常用平均池化來聚合空間信息，但論文認(rèn)為最大池化或許能捕獲到另外一些重要的特征，所以論文同時使用了平均池化與最大池化。為了降低運算量，首先對特征圖的空間維度進(jìn)行了壓縮，之后并行的兩種池化操作，將結(jié)果輸入到一個多層感知機(jī)中，最后將結(jié)果對應(yīng)元素相加即得到通道注意力圖，公式表示如下：
2）空間注意力模塊
通道注意力關(guān)注的是目標(biāo)是什么，而空間注意力則關(guān)注的是目標(biāo)在哪，二者可以相互補(bǔ)充。論文在通道軸上使用了最大池化與平均池化并將其結(jié)合起來，之后通過一個標(biāo)準(zhǔn)的卷積操作，得到空間注意力圖。其用公式總結(jié)如下：
3、經(jīng)過試驗驗證，模塊插入方式如下：
