深度学习中的注意力机制
一.注意机制可分为两种类型
根据它们所适用的范围:通道注(CA)和空间注意(SA)。CA和SA可以进一步分为三个过程:
1.squeeze:通过通道（CA）或空间区域（SA）从X中提取一个或多个统计量S的过程。统计量通过池化方法提取，SA可使用1X1的卷积。
2.excitation:利用提取的统计数据，进行激励过程捕获通道(CA)或空间区域(SA)之间的相互关系，生成一个大小为1×1×C (CA)或H×W×1 (SA)。在所有的方法中，CA都使用两个全连接(FC)层，其瓶颈结构约简率为r。对于SA，使用一个或两个卷积。
3.scaling:为了重新校准输入的特征图，生成的注意力图通过一个范围为0到1的sigmoid函数进行归一化，然后用于与X进行通道或空间方向的乘法。对所有方法应用相同的缩放过程。
二.经典的注意力机制
1.RCAB
RCAB中使用的注意力机制用于分类和检测任务的挤压-激励（SE）块的注意力机制相同，该机制的目的是通过利用通道间的相关性来重新校准滤波器响应。在挤压过程中采用平均池化，激励过程如下：
2.CBAM
尽管RCAB中的注意力机制仅使用通道间关系来细化特征图，但CBAM通过其CA和SA模块利用了特征图的通道间和空间间关系。在CA模块中，与RCAB的不同之处在于，在挤压过程中会额外进行最大池化，并且将两种统计信息用于激励过程。对于SA模块，平均和最大合并的结果也将应用于压缩过程，从而生成两个2D统计信息。将它们串联起来，并使用一个7×7卷积进行激发过程。为了结合这两种注意机制，CBAM依次执行CA和SA。
3.CSAR block
与CBAM相似，CSAR块包括CA和SA。前者等于RCAB。对于SA，与CBAM相比，输入特征图将继续进行激励过程，而不会经历挤压过程。激励过程使用两个1×1卷积，其中第一个具有C×γ滤镜，第二个具有单个滤镜。在此，γ是增加率。 CBAM按顺序组合了两种注意机制，而CSAR块使用级联和1×1卷积以并行方式将它们组合。
4.RAM
Channel attention (CA)：先前工作中CA机制的压缩过程仅采用了流行的平均池化方法，该方法用于高级计算机视觉问题，例如图像分类和目标检测，而无需修改。但是，由于SR最终旨在恢复图像的高频分量，因此使用有关通道的高频统计信息来确定注意力图更为合理。为此，我们选择对合并方法使用方差而不是平均值，即
Spatial attention (SA)：特征图Xr-1中的每个通道都有不同的含义，这取决于所使用的滤波器的作用。例如，某些滤镜将在水平方向上提取边缘分量，而某些滤镜将在垂直方向上提取边缘分量。从SR的角度来看，通道的重要性随空间区域而变化。例如，在边缘或复杂纹理的情况下，更详细的信息（即来自复杂滤镜的信息）更为重要。另一方面，在几乎没有高频成分（例如天空或漫画图像的均匀区域）的区域的情况下，相对较少的详细信息更为重要，需要注意。在这方面，每个通道的SA映射需要不同。因此，与在其SA模块中执行压缩过程的CBAM不同，我们提出的方法不会按每个通道压缩信息以保留特定于通道的特性。另外，对于激励过程，与生成单个2D SA映射的其他SA机制相比，我们使用深度卷积[7]为每个通道MSA∈RH×W×C获得了不同的SA映射，即
Fused attention (FA)：提出的CA和SA机制分别利用通道间和通道内关系的信息。因此，为了同时利用这两种机制的好处，我们通过添加CA和SA映射将它们组合在一起，然后使用Sigmoid函数执行缩放过程，其结果用于重新校准特征映射Xr-1：
注：以上注意力机制结构图中，各模块代表的意思为：
各个注意力机制类型的结构为：