CBAM注意力机制的MatLab代码实现，感兴趣的可以下载看看，代码分模块封装好了，简单易用！

注意力机制代码

0积分，为了辅助我的博文上传的资料，CSDN不要给我随意变动下载积分！！！对应博文【深度学习】CBAM注意力机制

CBAM: Convolutional Block Attention Module，CBAM是2018年ECCV上的一篇论文CBAM: Convolutional Block Attention Module中提出的基于注意力机制的卷积网络模型。BAM是2018年BMVC上的一篇论文BAM: Bottleneck Attention Module中提出的基于注意力机制的网络模型。 CBAM网络的核心思想是提出了CBAM模块。该模块对输入先经过通道注意力模块，和输入相乘后再经过空间注意力模块，和输入再次相乘后得到调整参数的注意力特征图

CBAM.PyTorch 论文：CBAM的非官方实现者：卷积块注意模块 介绍 这些代码是用于纸张的重新实现版本：CBAM：卷积块注意模块 Woo S，Park J，Lee JY等。 CBAM：卷积块注意模块 结构 CBAM概述。 该模块具有两个连续的子模块：通道和空间。 中间特征图通过我们的模块（CBAM）在深度网络的每个卷积块上进行自适应调整。 要求 Python3 PyTorch 0.4.1 tensorboardX（可选） 火炬网 预训练模型（可选） 结果 我们仅在ImageNet-1K中测试了四个模型，训练集和验证集都缩放到256（最小边），仅使用Mirror和RandomResizeCrop作为训练数据扩充，在验证过程中，我们使用中心裁剪获得224x224补丁。 ImageNet-1K 楷模 验证（Top-1） 验证（前5名） ResNet50 74.26 91

注意力机制使用；卷积神经网络的变体keras实现

CBAM-Keras 这是实现。 该存储库还包括，因此您可以在基本的CNN模型，带有CBAM块的基本模型和带有SE块的基本模型之间进行训练和比较。 CBAM：卷积块注意模块 CBAM提出了一个称为“卷积块注意模块”（CBAM）块的体系结构单元，以通过使用注意机制来提高表示能力：关注重要特征并抑制不必要的特征。 该研究可以被认为是的后代和改进。 CBAM_block的图 每个注意子模块图 ImageNet-1K上的分类结果 先决条件 Python 3.x 凯拉斯 准备数据集 该存储库使用数据集。 当您运行训练脚本时，数据集将被自动下载。 （请注意，您不能使用Cifar10数据集运行Inception系列模型，因为当Cifar10为32时，Inception系列模型中可用的最小输入大小为139。因此，请尝试将Inception系列模型与其他数据集一起使用。） CBAM_block和SE_b

海洋生物分类 代码说明 pip-requirements.txt 需要安装的库 convert_dataset.py 整理csv文件格式的数据集 creat_map.py 生成对应的标签映射 train.py 训练主函数 test_one.py 利用训练好的模型预测一张图片 test_all.py 预测整个test文件里的图片 test_tta. py 预测时加入tta，但是实际效果不好，不知道哪里出了问题 sys_gui .py 运行时生成界面，可实现单张图片的读取，以及对单张图片的预测 训练方案 模型方面采用的是efficientnet-b5，在原始b5模型中增加了cbam注意力模块，数据增强方面使用了随机裁切、翻转、auto_augment、随机擦除以及cutmix, 损失函数采用CrossEntropyLabelSmooth，训练策略方面采用了快照集成（snapshot）思想。 第

基于Convolutional Block Attention Module (CBAM)的Multi-Attention模型设计与实现。模型本质上是并行添加了 CBAM 和 DeepMoji 注意力机制，并在最后将它们的特征进行合并。

CBAM注意力机制——pytorch源代码