1.GAM注意力机制：

图像解析：

从整体上可以看出，GAM和CBAM注意力机制还是比较相似的，同样是使用了通道注意力机制和空间注意力机制。但是不同的是对通道注意力和空间注意力的处理。

2.CBAM注意力解析

CBAM = CAM + BAM

对于通道注意力的处理：

首先对输入特征图进行最大池化和平均池化，再经过MLP分别处理，最终经过Sigmoid激活。对于空间注意力的处理

对特征图进行最大池化和平均池化后叠加在一起，再进行卷积，经过Sigmoid激活函数处理。

3.GAM改进

了解了CBAM，我们来看GAM是怎么处理CAM 和SAM的，同样是先通道后空间。

CAM

对于输入特征图，首先进行维度转换，经过维度转换的特征图输入到MLP,再转换为原来的维度，进行Sigmoid处理输出。SAM
对于SAM,GAM主要使用了卷积处理，对于这里有点像SE注意力机制，先将通道数量减少，再将通道数量增加。首先通过卷积核为7的卷积缩减通道数量，缩小计算量，在经过一个卷积核为7的卷积操作，增加通道数量，保持通道数量的一致。最后经过Sigmoid输出。

4.GAM的pytorch实现

这里给出GAM的pytorch实现代码：代码可能跟官方有些差异，是看图复现的

"""GAM 注意力机制：对CBAM注意力进行改进先通道注意力，再空间注意力"""import torchimport torch.nn as nn# 通道注意力class Channel_Attention(nn.Module):    def __init__(self, in_channel, out_channel, ratio=4):        super(Channel_Attention, self).__init__()        self.fc1 = nn.Linear(in_channel, in_channel // ratio)        self.relu = nn.ReLU()        self.fc2 = nn.Linear(in_channel // ratio, in_channel)        self.sig = nn.Sigmoid()    def forward(self, x):        # b, c, h, w = x.size()        input = x.permute(0, 3, 2, 1)        output = self.fc2(self.relu(self.fc1(input)))        output = output.permute(0, 3, 2, 1)        return output * x# 空间注意力class Spatial(nn.Module):    def __init__(self, in_channel, out_channel, ratio, kernel_size=7):        super(Spatial, self).__init__()        padding = kernel_size // 2        self.conv1 = nn.Conv2d(            in_channel, in_channel // ratio, kernel_size=7, padding=padding        )        self.bn = nn.BatchNorm2d(in_channel // ratio)        self.act = nn.ReLU()        self.conv2 = nn.Conv2d(            in_channel // ratio, in_channel, kernel_size=kernel_size, padding=padding        )        self.bn1 = nn.BatchNorm2d(in_channel)        self.sig = nn.Sigmoid()    def forward(self, x):        conv1 = self.act(self.bn(self.conv1(x)))        conv2 = self.bn1(self.conv2(conv1))        output = self.sig(conv2)        return x * outputclass GAM(nn.Module):    def __init__(self,in_channel, out_channel, ratio = 4, kernel_size = 7):        super(GAM, self).__init__()        self.channel_attention = Channel_Attention(in_channel,out_channel,ratio)        self.spatial_attention = Spatial(in_channel,out_channel,ratio,kernel_size)    def forward(self, x):        input = self.channel_attention(x)        output= self.spatial_attention(input)        return outputinput = torch.randn(1, 4, 24, 24).cuda()model = GAM(4, 4).cuda()output = model(input)print(output)print(output.size())# 20220928

5 Reference

YOLOv5使用GAM