Unet改进2：在不同位置添加CBAM注意力机制

本文内容：在不同位置添加CBAM注意力机制

目录

论文简介

1.步骤一

2.步骤二

3.步骤三

4.步骤四

---

论文简介

摘要。我们提出了卷积块注意模块(CBAM)，这是一种简单而有效的前馈卷积神经网络注意模块。给定一个中间特征映射，我们的模块沿着两个独立的维度依次推断注意力映射，通道和空间，然后将注意力映射乘以输入特征映射以进行自适应特征细化。因为CBAM是一个轻量级的通用模块，它可以无缝地集成到任何CNN架构中，开销可以忽略不计，并且可以与基础CNN一起进行端到端训练。我们通过在ImageNet-1K、MS COCO检测和VOC 2007检测数据集上进行大量实验来验证我们的CBAM。

我们的实验表明，各种模型在分类和检测性能上都有一致的提高，证明了CBAM的广泛适用性。代码和模型将是公开的。

1.步骤一

新建blocks/CBAM.py文件，添加如下代码：

import torch
import torch.nn as nn

########CBAM
class ChannelAttention(nn.Module):
    def __init__(self, channel, ratio=16):
        super(ChannelAttention, self).__init__()
        s