# 混合注意力机制（Hybrid Attention Mechanism）是一种结合空间和通道注意力的策略，旨在提高神经网络的特征提取能力。
# 空间和通道都加上去
# CBAM是一种轻量级的注意力模块，它通过增加空间和通道两个维度的注意力，来提高模型的性能。
# 在某个阶段 先后加入通道和空间
import torch
import torch.nn as nn
# CBAM 混合注意力 方法 的实现
# 通道注意力构建
class ChannelAtt(nn.Module):
def __init__(self,c,r= 16,*args, **kwargs):
super().__init__(*args, **kwargs)
self.max=nn.Sequential(nn.AdaptiveMaxPool2d(1),nn.ReLU())
self.avg=nn.Sequential(nn.AdaptiveAvgPool2d(1),nn.ReLU())
# 感知机 两个池化完成之后 得到通道系数的过程 这两个结果是共用的
self.perceptron=nn.Sequential(nn.Linear(c,c//r),nn.ReLU(),nn.Linear(c//r,c))
self.activate=nn.Sigmoid()
def forward(self,x):
x1=self.max(x)
x2=self.avg(x)
x1=self.perceptron(x1.view(x1.shape[0],-1))
x2=self.perceptron(x2.view(x2.shape[0],-1))
att=self.activate(x1+x2)
att=att.unsqueeze(2).unsqueeze(3)
return x*att
# 空间注意力构建
class SpaceAtt(nn.Module):
def __init__(self,kernel_size=7, *args, **kwargs):
super().__init__(*args, **kwargs)
self.fc=nn.Sequential(nn.Conv2d(in_channels=2,out_channels=1,kernel_size=kernel_size,padding=kernel_size//2),nn.Sigmoid())
def forward(self,x):
x1=torch.max(x,dim=1,keepdim=True)# 当 keepdim=True 时，计算均值后，输出张量将保持被约简的维度，但该维度的大小将为 1。也就是说，结果张量会保留原始张量的形状结构，只是被约简的维度变为 1。
x2=torch.mean(x,dim=1,keepdim=True)
att=self.fc(torch.cat((x1.values,x2),dim=1))
return x*att
class CBAM(nn.Module):
def __init__(self, c,r=16,*args, **kwargs):
super().__init__(*args, **kwargs)
self.channel_att=ChannelAtt(c,r)
self.space_att=SpaceAtt()
def forward(self,x):
x=self.channel_att(x)
x=self.space_att(x)
return x
img=torch.rand(1,128,224,224)
cbam=CBAM(img.shape[1])
res=cbam(img)
print(res.shape)
