常见注意力机制解析

1.Squeeze-and-Excitation（SE）

SE的主要思想是通过对输入特征进行压缩和激励，来提高模型的表现能力。具体来说，SE注意力机制包括两个步骤：Squeeze和Excitation。在Squeeze步骤中，通过全局平均池化操作将输入特征图压缩成一个向量，然后通过一个全连接层将其映射到一个较小的向量。在Excitation步骤中，使用一个sigmoid函数将这个向量中的每个元素压缩到0到1之间，并将其与原始输入特征图相乘，得到加权后的特征图。通过SE注意力机制，模型可以自适应地学习到每个通道的重要性，从而提高模型的表现能力。在实际应用中，SE注意力机制已经被广泛应用于各种深度学习模型中，取得了很好的效果。

代码如下：

import torch
from torch import nn
from torchstat import stat  # 查看网络参数

# 定义SE注意力机制的类
class SE_block(nn.Module):
    def __init__(self, channel, ratio=16):
        super(SE_block, self).__init__()
        self.avg_pool = nn.AdaptiveAvgPool2d(1)
        self.fc = nn.Sequential(
                nn.Linear(channel, channel // ratio, bias=False),
                nn.ReLU(inplace=True),
                nn.Linear(channel // ratio, channel, bias=False),
                nn.Sigmoid()
        )

    def forward(self, x):
        b, c, _, _ = x.size()
        y = self.avg_pool(x).view(b, c)
        y = self.fc(y).view(b, c, 1, 1)
        return x * y

if __name__ == '__main__':
    # 构造输入层
    inputs = torch.rand(2,320,32,32)
    # 获取输入通道数
    channel = inputs.shape[1]
    # 模型实例化
    model = SE_block(channel, ratio=16)

    # 前向传播查看输出结果
    outputs = model(inputs)
    print(outputs.shape)  #[2, 320, 32, 32]

    # print(model)  # 查看模型结构
    stat(model, input_size=[320,32,32])  # 查看参数，不需要指定batch维度

2.Convolutional Block Attention Module（CBAM）

CBAM用于自适应地调整关注图像中的关键区域。CBAM注意力机制由两个模块组成：通道注意力模块和空间注意力模块。通道注意力模块用于学习每个通道的重要性，使得网络更多地关注那些有意义的特征，同时消除那些无意义的特征。这个模块的输入是一个卷积层的输出，输出是经过权重归一化之后的特征图。具体地，对于每个通道，通道注意力模块使用全局平均池化操作来得到一个特征向量，然后通过两个全连接层学习该通道的重要性，并对最终的卷积层输出进行加权。

空间注意力模块用于学习图像的不同空间区域的重要性，即在不同位置上的注意力权值。这个模块的输入是卷积层的输出，输出是通过空间维度上的卷积操作和全连接操作，产生的每个空间位置的注意力矩阵。这个矩阵能够自适应地调整感受野大小并关注图像中的关键区域。

通道和空间注意力模块可以结合使用，构建CBAM注意力机制。通过这种注意力机制的应用，可以提高图像分类、目标检测和语义分割等任务的准确性。

代码如下：

import torch
from torch import nn
from torchstat import stat  # 查看网络参数

# 定义CBAM注意力机制的类
class ChannelAttention(nn.Module):
    def __init__(self, in_planes, ratio=8):
        super(ChannelAttention, self).__init__()
        self.avg_pool = nn.AdaptiveAvgPool2d(1)
        self.max_pool = nn.AdaptiveMaxPool2d(1)

        # 利用1x1卷积代替全连接
        self.fc1   = nn.Conv2d(in_planes, in_planes // ratio, 1, bias=False)
        self.relu1 = nn.ReLU()
        self.fc2   = nn.Conv2d(in_planes // ratio, in_planes, 1, bias=False)

        self.sigmoid = nn.Sigmoid()

    def forward(self, x):
        avg_out = self.fc2(self.relu1(self.fc1(self.avg_pool(x))))
        max_out = self.fc2(self.relu1(self.fc1(self.max_pool(x))))
        out = avg_out + max_out
        return self.sigmoid(out)

class SpatialAttention(nn.Module):
    def __init__(self, kernel_size=7):
        super(SpatialAttention, self).__init__()

        assert kernel_size in (3, 7), 'kernel size must be 3 or 7'
        padding = 3 if kernel_size == 7 else 1
        self.conv1 = nn.Conv2d(2, 1, kernel_size, padding=padding, bias=False)
        self.sigmoid = nn.Sigmoid()

    def forward(self, x):
        avg_out = torch.mean(x, dim=1, keepdim=True)
        max_out, _ = torch.max(x, dim=1, keepdim=True)
        x = torch.cat([avg_out, max_out], dim=1)
        x = self.conv1(x)
        return self.sigmoid(x)

class CBAM_block(nn.Module):
    def __init__(self, channel, ratio=8, kernel_size=7):
        super(CBAM_block, self).__init__()
        self.channelattention = ChannelAttention(channel, ratio=ratio)
        self.spatialattention = SpatialAttention(kernel_size=kernel_size)

    def forward(self, x):
        x = x * self.channelattention(x)
        x = x * self.spatialattention(x)
        return x


if __name__ == '__main__':
    # 构造输入层
    inputs = torch.rand(2,320,32,32)
    # 获取输入通道数
    channel = inputs.shape[1]
    # 模型实例化
    model = CBAM_block(channel, ratio=16, kernel_size=7)

    # 前向传播查看输出结果
    outputs = model(inputs)
    print(outputs.shape)  #[2, 320, 32, 32]

    # print(model)  # 查看模型结构
    stat(model, input_size=[320,32,32])  # 查看参数，不需要指定batch维度

3.Efficient Channel Attention（ECA）

ECA是一种用于图像处理的注意力机制模型。它主要是通过对图像通道进行注意力调控，提高图像特征表示的有效性。具体来说，ECA注意力机制模型由两部分组成：全局平均池化和线性变换。全局平均池化可以对每个通道的信息进行汇聚，从而判断该通道中的信息是否关键；线性变换可以将通道的信息进行缩放和平移，使得关键信息得到更好的保留，非关键信息得到抑制。如果某个通道的信息对于图像表现并不关键，则可以对其进行抑制，以提高其他通道的表现。ECA注意力机制相比于其他注意力机制模型的优势在于其模型复杂度低、计算效率高、效果好。因此，它被广泛应用于图像分类、目标检测和图像分割等领域。

代码如下：

import torch
import math
from torch import nn
from torchstat import stat  # 查看网络参数

# 定义ECA注意力机制的类
class ECA_block(nn.Module):
    def __init__(self, channel, b=1, gamma=2):
        super(ECA_block, self).__init__()
        kernel_size = int(abs((math.log(channel, 2) + b) / gamma))
        kernel_size = kernel_size if kernel_size % 2 else kernel_size + 1

        self.avg_pool = nn.AdaptiveAvgPool2d(1)
        self.conv = nn.Conv1d(1, 1, kernel_size=kernel_size, padding=(kernel_size - 1) // 2, bias=False)
        self.sigmoid = nn.Sigmoid()

    def forward(self, x):
        y = self.avg_pool(x)
        y = self.conv(y.squeeze(-1).transpose(-1, -2)).transpose(-1, -2).unsqueeze(-1)
        y = self.sigmoid(y)
        return x * y.expand_as(x)


if __name__ == '__main__':
    # 构造输入层
    inputs = torch.rand(2,320,32,32)
    # 获取输入通道数
    channel = inputs.shape[1]
    # 模型实例化
    model = ECA_block(channel)

    # 前向传播查看输出结果
    outputs = model(inputs)
    print(outputs.shape)  #[2, 320, 32, 32]

    # print(model)  # 查看模型结构
    stat(model, input_size=[320,32,32])  # 查看参数，不需要指定batch维度

4.Coordinate attention（CA）

CA可以避免全局pooling-2D操作造成的位置信息丢失，将注意力分别放在宽度和高度两个维度上，有效利用输入特征图的空间坐标信息。CA主要分为两个步骤：第一步是坐标信息的嵌入，给定输入X，使用池化层分别沿着水平坐标和垂直坐标对每个通道进行编码，得到一对方向感知特征图。第二步是坐标信息特征图的生成，首先将提取到的特征信息进行拼接，然后利用一个1×1卷积变换函数进行信息转换，进而得到中间特征图，并沿着空间维度分解为两个单独的张量，再利用两个卷积变换为具有相同通道数的张量，最后将输出结果进行扩展，分别作为注意力权重分配值。CA是一个简单灵活即插即用的模块，可以在不带来任何额外开销的前提下，提升网络的精度。

代码如下：

import torch
from torch import nn
from torchstat import stat  # 查看网络参数

# 定义CA注意力机制的类
class CA_Block(nn.Module):
    def __init__(self, channel, reduction=16):
        super(CA_Block, self).__init__()

        self.conv_1x1 = nn.Conv2d(in_channels=channel, out_channels=channel // reduction, kernel_size=1, stride=1,
                                  bias=False)

        self.relu = nn.ReLU()
        self.bn = nn.BatchNorm2d(channel // reduction)

        self.F_h = nn.Conv2d(in_channels=channel // reduction, out_channels=channel, kernel_size=1, stride=1,
                             bias=False)
        self.F_w = nn.Conv2d(in_channels=channel // reduction, out_channels=channel, kernel_size=1, stride=1,
                             bias=False)

        self.sigmoid_h = nn.Sigmoid()
        self.sigmoid_w = nn.Sigmoid()

    def forward(self, x):
        _, _, h, w = x.size()

        x_h = torch.mean(x, dim=3, keepdim=True).permute(0, 1, 3, 2)
        x_w = torch.mean(x, dim=2, keepdim=True)

        x_cat_conv_relu = self.relu(self.bn(self.conv_1x1(torch.cat((x_h, x_w), 3))))

        x_cat_conv_split_h, x_cat_conv_split_w = x_cat_conv_relu.split([h, w], 3)

        s_h = self.sigmoid_h(self.F_h(x_cat_conv_split_h.permute(0, 1, 3, 2)))
        s_w = self.sigmoid_w(self.F_w(x_cat_conv_split_w))

        out = x * s_h.expand_as(x) * s_w.expand_as(x)
        return out

if __name__ == '__main__':
    # 构造输入层
    inputs = torch.rand(2,320,32,32)
    # 获取输入通道数
    channel = inputs.shape[1]
    # 模型实例化
    model = CA_Block(channel, reduction=16)
    
    # 前向传播查看输出结果
    outputs = model(inputs)
    print(outputs.shape)  #[2, 320, 32, 32]

    # print(model)  # 查看模型结构
    stat(model, input_size=[320,32,32])  # 查看参数，不需要指定batch维度