?💥💥💞💞歡迎來到本博客????💥💥

🏆博主優(yōu)勢：🌞🌞🌞博客內(nèi)容盡量做到思維縝密，邏輯清晰，為了方便讀者。

??座右銘：行百里者，半于九十。

📋📋📋本文目錄如下：🎁🎁🎁

目錄

💥1 概述

📚2 運行結(jié)果

🎉3?參考文獻(xiàn)

🌈4 Python代碼及數(shù)據(jù)

---

💥1 概述

CBAM(CBAM-CNN)是一種用于計算機(jī)視覺領(lǐng)域的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，它能夠有效地從圖像中學(xué)習(xí)關(guān)注和調(diào)整。CBAM模型結(jié)合了通道注意力模塊（Channel Attention Module）和空間注意力模塊（Spatial Attention Module）兩個部分，用于提升卷積神經(jīng)網(wǎng)絡(luò)的性能。

通道注意力模塊（CAM）旨在通過學(xué)習(xí)不同通道之間的相關(guān)性，為每個通道分配適當(dāng)?shù)淖⒁饬?quán)重。該模塊首先通過全局平均池化獲得整個通道的平均值，然后使用兩個全連接層來生成一組注意力權(quán)重。這些權(quán)重用于調(diào)整每個通道的特征圖。

空間注意力模塊（SAM）旨在學(xué)習(xí)圖像中不同空間區(qū)域的重要性。該模塊通過對特征圖在不同空間維度上進(jìn)行最大池化和平均池化操作，然后使用一個卷積層來生成一組注意力權(quán)重。最后，這些權(quán)重被應(yīng)用于原始特征圖，以增強(qiáng)具有重要空間信息的區(qū)域。

通過結(jié)合通道注意力模塊和空間注意力模塊，CBAM能夠動態(tài)地選擇和調(diào)整特征圖的通道和空間注意力，從而提取更準(zhǔn)確和具有區(qū)分力的特征表示。這種注意力機(jī)制有助于網(wǎng)絡(luò)更好地對圖像進(jìn)行感知，從而改善圖像分類、目標(biāo)檢測、圖像分割等計算機(jī)視覺任務(wù)的性能。

針對預(yù)測任務(wù)，可以使用CBAM-CNN模型進(jìn)行圖像分類或目標(biāo)檢測。在圖像分類任務(wù)中，CBAM-CNN可以通過自適應(yīng)地關(guān)注重要的通道和空間區(qū)域，提取圖像特征并進(jìn)行分類。在目標(biāo)檢測任務(wù)中，CBAM-CNN可以輔助檢測網(wǎng)絡(luò)對目標(biāo)區(qū)域進(jìn)行準(zhǔn)確定位和分類。

需要注意的是，CBAM-CNN只是一種網(wǎng)絡(luò)結(jié)構(gòu)，具體的預(yù)測研究還需要根據(jù)具體的任務(wù)和數(shù)據(jù)集進(jìn)行調(diào)整和優(yōu)化。

📚2 運行結(jié)果

?部分代碼：

def forward(self, x):# 1.最大池化分支max_branch = self.MaxPool(x)# 送入MLP全連接神經(jīng)網(wǎng)絡(luò), 得到權(quán)重max_in = max_branch.view(max_branch.size(0), -1)max_weight = self.fc_MaxPool(max_in)# 2.全局池化分支avg_branch = self.AvgPool(x)# 送入MLP全連接神經(jīng)網(wǎng)絡(luò), 得到權(quán)重avg_in = avg_branch.view(avg_branch.size(0), -1)avg_weight = self.fc_AvgPool(avg_in)# MaxPool + AvgPool 激活后得到權(quán)重weightweight = max_weight + avg_weightweight = self.sigmoid(weight)# 將維度為b, c的weight, reshape成b, c, 1, 1 與 輸入x 相乘h, w = weight.shape# 通道注意力McMc = torch.reshape(weight, (h, w, 1))# 乘積獲得結(jié)果x = Mc * xreturn xclass SpatialAttentionModul(nn.Module):  # 空間注意力模塊def __init__(self, in_channel):super(SpatialAttentionModul, self).__init__()self.conv = nn.Conv1d(2, 1, 7, padding=3)self.sigmoid = nn.Sigmoid()def forward(self, x):# x維度為 [N, C, H, W] 沿著維度C進(jìn)行操作, 所以dim=1, 結(jié)果為[N, H, W]MaxPool = torch.max(x, dim=1).values  # torch.max 返回的是索引和value， 要用.values去訪問值才行！AvgPool = torch.mean(x, dim=1)# 增加維度, 變成 [N, 1, H, W]MaxPool = torch.unsqueeze(MaxPool, dim=1)AvgPool = torch.unsqueeze(AvgPool, dim=1)# 維度拼接 [N, 2, H, W]x_cat = torch.cat((MaxPool, AvgPool), dim=1)  # 獲得特征圖# 卷積操作得到空間注意力結(jié)果x_out = self.conv(x_cat)Ms = self.sigmoid(x_out)# 與原圖通道進(jìn)行乘積x = Ms * xreturn xif __name__ == '__main__':inputs = torch.randn(32, 512, 16)model = CBAM(in_channel=512)  # CBAM模塊, 可以插入CNN及任意網(wǎng)絡(luò)中, 輸入特征圖in_channel的維度

    def forward(self, x):# 1.最大池化分支max_branch = self.MaxPool(x)# 送入MLP全連接神經(jīng)網(wǎng)絡(luò), 得到權(quán)重max_in = max_branch.view(max_branch.size(0), -1)max_weight = self.fc_MaxPool(max_in)# 2.全局池化分支avg_branch = self.AvgPool(x)# 送入MLP全連接神經(jīng)網(wǎng)絡(luò), 得到權(quán)重avg_in = avg_branch.view(avg_branch.size(0), -1)avg_weight = self.fc_AvgPool(avg_in)# MaxPool + AvgPool 激活后得到權(quán)重weightweight = max_weight + avg_weightweight = self.sigmoid(weight)# 將維度為b, c的weight, reshape成b, c, 1, 1 與 輸入x 相乘h, w = weight.shape# 通道注意力McMc = torch.reshape(weight, (h, w, 1))# 乘積獲得結(jié)果x = Mc * xreturn xclass SpatialAttentionModul(nn.Module):  # 空間注意力模塊def __init__(self, in_channel):super(SpatialAttentionModul, self).__init__()self.conv = nn.Conv1d(2, 1, 7, padding=3)self.sigmoid = nn.Sigmoid()def forward(self, x):# x維度為 [N, C, H, W] 沿著維度C進(jìn)行操作, 所以dim=1, 結(jié)果為[N, H, W]MaxPool = torch.max(x, dim=1).values  # torch.max 返回的是索引和value， 要用.values去訪問值才行！AvgPool = torch.mean(x, dim=1)# 增加維度, 變成 [N, 1, H, W]MaxPool = torch.unsqueeze(MaxPool, dim=1)AvgPool = torch.unsqueeze(AvgPool, dim=1)# 維度拼接 [N, 2, H, W]x_cat = torch.cat((MaxPool, AvgPool), dim=1)  # 獲得特征圖# 卷積操作得到空間注意力結(jié)果x_out = self.conv(x_cat)Ms = self.sigmoid(x_out)# 與原圖通道進(jìn)行乘積x = Ms * xreturn xif __name__ == '__main__':inputs = torch.randn(32, 512, 16)model = CBAM(in_channel=512)  # CBAM模塊, 可以插入CNN及任意網(wǎng)絡(luò)中, 輸入特征圖in_channel的維度

🎉3?參考文獻(xiàn)

部分理論來源于網(wǎng)絡(luò)，如有侵權(quán)請聯(lián)系刪除。

[1]黃昌順,張金萍.基于CBAM-CNN的滾動軸承故障診斷方法[J].現(xiàn)代制造工程,2022(11):137-143.DOI:10.16731/j.cnki.1671-3133.2022.11.022.

[2]杜先君,鞏彬,余萍等.基于CBAM-CNN的模擬電路故障診斷[J].控制與決策,2022,37(10):2609-2618.DOI:10.13195/j.kzyjc.2021.1111.

🌈4 Python代碼及數(shù)據(jù)