>>>深度学习Tricks，第一时间送达<<<

目录

NAMAttention，一种新的注意力计算方式，无需额外的参数！

（一）前沿介绍

1.NAM结构图

2.相关实验结果

（二）YOLOv5/YOLOv7改进之结合NAMAttention

1.配置common.py文件

2.配置yolo.py文件

3.配置yolov5_NAM.yaml文件

NAMAttention，一种新的注意力计算方式，无需额外的参数！

（一）前沿介绍

论文题目：NAM: Normalization-based Attention Module

论文地址：https://arxiv.org/abs/2111.12419

代码地址：https://github.com/Christian-lyc/NAM

作者提出了一种基于归一化的注意力模块（NAMAttention），可以降低不太显著的特征的权重，这种方式在注意力模块上应用了稀疏的权重惩罚，这使得这些权重在计算上更加高效，同时能够保持同样的性能。在ResNet和MobileNet上和其他的注意力方式进行了对比，该方法可以达到更高的准确率。

1.NAM结构图

2.相关实验结果

作者将NAM和SE，BAM，CBAM，TAM在ResNet和MobileNet上，在CIFAR100数据集和ImageNet数据集上进行了对比，对每种注意力机制都使用了同样的预处理和训练方式，对比结果表示，在CIFAR100上，单独使用NAM的通道注意力或者空间注意力就可以达到超越其他方式的效果。在ImageNet上，同时使用NAM的通道注意力和空间注意力可以达到超越其他方法的效果。

（二）YOLOv5/YOLOv7改进之结合NAMAttention

改进方法和其他注意力机制一样，分三步走：

1.配置common.py文件

加入NAM代码。

#NAM
class NAM(nn.Module):
    def __init__(self, channels, t=16):
        super(NAM, self).__init__()
        self.channels = channels
        self.bn2 = nn.BatchNorm2d(self.channels, affine=True)

    def forward(self, x):
        residual = x
        x = self.bn2(x)
        weight_bn = self.bn2.weight.data.abs() / torch.sum(self.bn2.weight.data.abs())
        x = x.permute(0, 2, 3, 1).contiguous()
        x = torch.mul(weight_bn, x)
        x = x.permute(0, 3, 1, 2).contiguous()
        x = torch.sigmoid(x) * residual  #
        return x

2.配置yolo.py文件

加入NAM模块。

3.配置yolov5_NAM.yaml文件

添加方法灵活多变，Backbone或者Neck都可。

关于算法改进及论文投稿可关注并留言博主的CSDN/QQ

>>>一起交流！互相学习！共同进步！<<<