CBAM：卷积块注意力模块

ECCVJul, 2018

CBAM: Convolutional Block Attention Module

Sanghyun Woo, Jongchan Park, Joon-Young Lee, In So Kweon

TL;DR本文提出一种卷积块自适应模型 (Convolutional Block Attention Module, CBAM)，通过自适应特征细粒度调整， CBAM 可以被轻松集成到任何卷积神经网络架构中，改进了分类和检测性能。

Abstract

We propose convolutional block attention module (CBAM), a simple yet effective attention module for feed-forward convolutional neural networks. Given an intermediate feature map, our module sequentially infers attention maps along two separate dimensions, channel and spatial, then the

convolutional block attention module attention maps cnn architectures classification detection

发现论文，激发创造

瓶颈关注模块

本篇论文提出了一种名为 Bottleneck Attention Module（BAM）的简单有效的注意力机制，可嵌入任何前馈卷积神经网络中，并在 CIFAR-100、ImageNet-1K、VOC 2007 和 MS COCO 等基准测试中通过广泛实验验证了其在图像分类和检测性能上的一致提高。

Jul, 2018

学会关注

通过加入可训练的注意力模块，使得卷积神经网络在进行图像分类时能够更好地聚焦于感兴趣的区域，进一步提高了模型的稳健性。

Apr, 2018

TDAM: 基于上下文引导的 CNN 特征选择中的自顶向下注意力模块

该研究提出了一种轻量级的顶部注意力模块 (TDAM)，通过迭代生成一个 “视觉探照灯”，以更多上下文相关的特征图上执行通道和空间调制，从而增强 CNN 在多个目标识别基准测试上的性能，并且能够在不需要显式监督的情况下本地化单个对象或特征。

Nov, 2021

Cross-CBAM：用于场景分割的轻量级网络

本文提出了用于实时语义分割的轻量级网络 Cross-CBAM，其中包括 SE-ASPP 和 CCBAM 等创新模块，使用注意力机制来聚焦所需信息并进行特征融合，实验结果表明 Cross-CBAM 在保证分割准确度的同时具有较快的推理速度。

Jun, 2023

一种使用 U-net 和修改后的卷积块注意力模块进行胸部 X 射线肺分割的新方法

本文提出了一种结合 U-net 和注意力机制的新方法，通过引入 Convolutional Block Attention Module (CBAM) 来进行胸部 X 射线图像的肺部分割，CBAM 统一了通道注意力、空间注意力和像素注意力三种不同的注意力机制，提高了模型的精确性和准确性，从而改善了分割的准确性和患者的诊断精度。

Apr, 2024

卷积神经网络中的基于特征的注意力

该论文介绍了将基于特征的注意力 (feature-based attention) 应用于卷积神经网络的简单方法，并与多种实现选项进行比较，实现了在处理具有噪声或混杂情况下的图像对象检测任务时的性能提升，并验证了生物学特征相似性增益模型在提高性能上的有效性。

Nov, 2015

用光学卫星影像的迁移学习进行船只分类的 ResNet 集成卷积块注意模块

使用高分辨率光学遥感卫星图像，本研究提出了一种新颖的传输学习框架，用于有效的船舶分类。该框架基于深度卷积神经网络模型 ResNet50，并结合了卷积块注意力模块 (CBAM) 来增强性能。实验结果表明该框架在光学遥感图像的船舶分类中具有良好的效果，达到了 94% 的高分类精度，超过了现有方法。该研究在海上监视与管理、非法渔业监测和海上交通监控方面具有潜在的应用价值。

Apr, 2024

BARReL: 视觉强化学习中的瓶颈关注机制提高对抗鲁棒性

本文研究了视觉强化学习中自主代理的鲁棒性，发现在 CNN 体系结构中添加瓶颈注意力模块 (BAM) 可以提高抵御对抗性攻击的能力。作者表明学习到的注意力映射可以用来恢复卷积层的激活，并在一些 RL 场景中展示出加强了的鲁棒性。

Aug, 2022

基于注意力引导的特征蒸馏用于语义分割

提出的注意力引导特征蒸馏（AttnFD）方法利用精细特征图来传递关注力，证明了其在语义分割中提取丰富信息的有效性，通过只使用教师和学生的精炼特征图之间的均方误差（MSE）损失函数，在 PascalVoc 2012 和 Cityscapes 数据集上实现了语义分割的最佳性能（mean Intersection over Union，mIoU 达到了最新水平）。

Mar, 2024

基于注意力立方体网络的图像恢复

本文提出了一种基于注意力机制的深度卷积神经网络用于图像修复，在空间、通道和层次三个维度加入注意力机制以用于更好的特征表达和特征相关性学习。实验表明该方法在定量和视觉分析上优于现有方法。

Sep, 2020