1. 通道注意力模块（Channel Attention Module）复习
通道注意力解决的是“看什么” (What) 的问题，即在众多的特征通道中，哪些通道包含更有用的信息。
核心逻辑：
双重池化：同时使用全局平均池化 (AvgPool)和全局最大池化 (MaxPool)。平均池化保留全局背景，最大池化捕捉最显著的特征（如强边缘、高亮处）。
共享 MLP：将池化后的向量送入一个共享的全连接层（通常包含降维和升维，以减少参数量），学习通道间的依赖关系。
权重生成：将两个池化的结果相加，通过
Sigmoid激活函数生成 0 到 1 之间的权重，最后乘回原始特征图，实现对重要通道的加强和无效通道的抑制。
2. 空间注意力模块（Spatial Attention Module）
空间注意力解决的是“在哪里” (Where) 的问题，即在图像的特征图中，哪些位置（像素点）是关键区域。
核心逻辑：
维度压缩：沿着通道轴进行平均池化和最大池化，把 C 个通道压缩成 2 个通道（一张均值图和一张最大值图）。
特征融合：将这两张图拼接（Concat），然后使用一个较大的卷积核（如
）进行卷积。大卷积核能提供更大的感受野，帮助模型理解物体的位置关系。
权重生成：卷积输出经过
Sigmoid得到空间权重图，覆盖在特征图上，让模型“盯住”重点区域（如猫的头部），忽略背景区域。
3. CBAM 的定义（Convolutional Block Attention Module）
CBAM 是一种轻量级、即插即用的卷积神经网络注意力模块。
定义：它将“通道注意力”和“空间注意力”组合在一起。通过串行的方式（先计算通道注意力，再在结果上计算空间注意力），对特征进行双重强化。
三大特点：
双重维度：比传统的 SE 模块（仅通道注意力）多了一个空间维度，提升了模型定位目标的能力。
即插即用：它可以直接插入到任何现有的卷积网络（如 ResNet, MobileNet, YOLO 等）的卷积层之间，无需改变原网络的主体结构。
高效性：它增加的参数量极少，但在图像分类、目标检测等任务中通常能带来明显的性能提升。
一句话总结：
CBAM 通过通道注意力告诉模型“什么特征重要”，再通过空间注意力告诉模型“哪里重要”，二者结合让特征表达更加精准。
