CBAM: 卷积块注意模块

摘要：提出了卷积块注意模块 (CBAM)，这是一种用于前馈卷积神经网络的简单而有效的注意模块。给定一个中间特征图，我们的模块依次沿两个独立的维度 (通道和空间) 推断注意力图，然后将注意力图乘以输入特征图以进行自适应特征细化。因为CBAM是一个轻量级的通用模块，所以它可以无缝集成到任何CNN架构中，开销可以忽略不计，并且可以与基础CNN一起端到端训练。

引言

卷积神经网络 (cnn) 因为其丰富的表示能力，显著推动了视觉处理 [1,2，3]。为了提高cnn的性能，最近的研究主要研究了网络的三个重要因素: 深度，宽度和基数

从LeNet体系结构 [4] 到残差式网络 [5,6，7,8] ，网络已经变得更加深入。VGGNet [9] 显示，堆叠具有相同形状的块表现出非常好的性能。遵循同样的思想，ResNet [5] 使用skip connection，堆叠相同的残差块，以构建极其深入的体系结构。GoogLeNet [10] 表明宽度是提高模型性能的另一个重要因素。Zagoruyko和Komodakis [6] 建议增加基于ResNet架构的网络宽度。他们已经表明，在CIFAR基准上，具有增加宽度的28层ResNet可以胜过具有1001层的极深ResNet。Xception [11] 和ResNeXt [7] 提出来增加网络的基数。他们从经验上表明，基数不仅节省了参数的总数，而且比其他两个因素 (深度和宽度) 具有更强的表示能力

除了这些因素之外，我们还研究了