CBAM注意力机制：改进YOLOv7-Segmentation实例分割_yolov7 cbam 改进

一、引言

  在深度学习和计算机视觉的领域中，注意力机制已经成为提升神经网络性能的关键技术之一。它的核心思想是模拟人类视觉注意力的特性，使得模型能够集中处理图像中的关键信息，从而提高处理效率和精度。CBAM（Convolutional Block Attention Module），即卷积块注意力模块，是一种有效的注意力机制，它通过专注于图像的重要特征来提升网络的表现。

二、CBAM注意力机制概述

  CBAM是在SENet（Squeeze-and-Excitation Networks）的基础上进一步发展的，它不仅考虑了通道之间的关系，还加入了空间维度的关注，使得注意力机制更加全面和精细。

1. 通道注意力

  通道注意力模块的目的是让网络能够区分每个通道的重要性。它通过两种不同的操作来实现：全局平均池化和全局最大池化。这两种操作分别从不同的角度提取特征图的全局信息。

  全局平均池化（Global Average Pooling, GAP）:

  全局最大池化（Global Max Pooling, GMP）: