定义与起源

CBAM (Convolutional Block Attention Module) 是一种专为卷积神经网络(CNN)设计的注意力机制， 旨在增强模型对关键特征的捕捉能力 。这一创新概念首次出现在2018年的研究论文《CBAM: Convolutional Block Attention Module》中。CBAM的核心思想是在通道和空间两个维度上进行注意力分配，通过 通道注意力模块(CAM)和空间注意力模块(SAM) 的组合，实现了对输入特征的全面分析和重新加权。

这种方法不仅提高了模型的性能，还增强了其解释性，使网络能够更加聚焦于识别目标物体的关键区域。CBAM的设计巧妙地平衡了性能和计算效率，在多种视觉任务中展现出了显著的效果提升。

核心思想

CBAM的核心思想在于通过 双重注意力机制 来全面提升卷积神经网络的特征提取能力。这种创新的设计理念巧妙地结合了 通道注意力 和 空间注意力 ，使得模型能够从两个关键维度对输入特征进行全面分析和重新加权。

CBAM的核心思想体现在以下几个方面:

1. 通道注意力机制 ：通过全局池化和多层感知机(MLP)，CBAM能够自适应地学习每个通道的重要性权重，从而实现对不同