标签：YOLOV4 权重 SAM 特征 32 维度 源代码 256

     注意力机制CV领域是从NLP领域借鉴过来的，比如：一段话中提取关键的、具备代表性的词语。这个其实在以前聚类算法中学习过，

例如：利用bag of word技术，提取一篇论文的关键词，实现论文查重功能。

一、CBAM

       如下图的Channel Attention Module，将一个32×32×256维度的特征图，在channel维度上，给出256个权重，所谓注意力就是重点考虑权重大特征图。

类似于softmax，这里输出一个维度为256权重向量。然后将权重向量各自与Input Feature每张图相乘，得到新的特征图。

       在后续Spatial Attention Module中，在32×32这两个维度，计算类似于上述的权重矩阵(32×32)，同理，将256个权重矩阵依次与新的特征图相乘，得到

最终新的特征图，即：优化后的特征图。

  二、SAM

       YOLOV4中并没有使用CBAM，而是SAM，SAM仅仅考虑在空间(Spatial)维度上进行特征图优化。

       如下图(a)原始SAM，先是最大池化、平均池化，后续接着卷积，YOLOV4直接将这两步骤合并，可以降低计算量，如图(b)。

标签：YOLOV4,权重,SAM,特征,32,维度,源代码,256
来源： https://www.cnblogs.com/winslam/p/14453119.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。