【即插即用完整代码】CVPR 2026新方法归一化空间与通道注意力，无额外参数，轻量且高效，超越CBAM，快速涨点，发表论文！

专栏内提供试读感兴趣的小伙伴可以订阅一下哈适用于所有的CV二维任务图像分割、超分辨率、目标检测、图像识别、低光增强、遥感检测等每日分享最新的前沿技术助力快速发论文、模型涨点摘要本文提出了一种新型的基于归一化的注意力模块NAM通过抑制不重要的权重来提高模型的计算效率同时保持性能。与SE、BAM、CBAM等其他注意力机制相比NAM在ResNet和MobileNet上均实现了更高的准确率。代码已公开。引言注意力机制是近年来的研究热点它帮助深度神经网络抑制不重要的像素或通道从而提高模型性能。然而现有方法大多关注于捕获显著特征而忽视了权重对特征的贡献。本文提出了一种基于归一化的注意力模块NAM利用批量归一化Batch Normalization的缩放因子来衡量权重的重要性从而进一步抑制不重要的通道或像素。创新点基于归一化的注意力机制NAM利用批量归一化的缩放因子来衡量权重的重要性避免了添加全连接层或卷积层从而减少了参数数量。轻量且高效NAM在不增加额外参数的情况下通过抑制不重要的权重来提高计算效率。超越现有方法实验表明NAM在ResNet和MobileNet上均优于SE、BAM、CBAM等现有注意力机制。主要方法归一化注意力模块NAMNAM的核心在于利用批量归一化的缩放因子来衡量权重的重要性。具体来说通道注意力子模块通过批量归一化的缩放因子来衡量每个通道的重要性并生成通道注意力权重。空间注意力子模块类似地通过像素归一化来衡量每个像素的重要性并生成空间注意力权重。正则化项为了进一步抑制不重要的权重NAM在损失函数中添加了一个L1范数惩罚项以平衡通道和空间注意力权重的稀疏性。架构集成NAM模块被嵌入到每个网络块的末尾对于残差网络它被嵌入到残差结构的末尾。这种设计使得NAM可以与现有的网络架构无缝集成而不需要对网络结构进行重大修改。实验细节数据集和模型CIFAR-100使用ResNet50进行实验与SE、BAM、CBAM等方法进行比较。ImageNet使用MobileNet V2进行实验与SE、BAM、CBAM等方法进行比较。训练配置CIFAR-100使用4个Nvidia Tesla V100 GPU进行训练训练配置与CBAM相同正则化参数p设置为0.0001。ImageNet使用4个Nvidia Tesla V100 GPU进行训练训练配置与CBAM相同正则化参数p设置为0.001。实验结果分析CIFAR-100ResNet50 NAM通道注意力参数数量为23.74MFLOPs为1.31GTop-1错误率为19.09%Top-5错误率为4.5%。ResNet50 NAM空间注意力参数数量为23.71MFLOPs为1.31GTop-1错误率为19.38%Top-5错误率为4.72%。ResNet50 CBAM参数数量为26.24MFLOPs为1.31GTop-1错误率为19.44%Top-5错误率为4.66%。ImageNetMobileNet V2 NAM参数数量为3.51MFLOPs为0.32GTop-1错误率为29.34%Top-5错误率为10.18%。MobileNet V2 CBAM参数数量为3.54MFLOPs为0.32GTop-1错误率为29.74%Top-5错误率为10.66%。结论NAM通过抑制不重要的权重显著提高了模型的计算效率同时保持了与现有方法相当的性能。实验结果表明NAM在ResNet和MobileNet上均优于SE、BAM、CBAM等现有注意力机制。未来作者计划进一步优化NAM的性能探索其在其他深度学习架构和应用中的效果。主要代码展示class Channel_Att(nn.Module): def __init__(self, channels, t16): super(Channel_Att, self).__init__() self.channels channels self.bn2 nn.BatchNorm2d(self.channels, affineTrue) 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 def __init__(self, kernel_size7): super(Spatial_Att, self).__init__() self.kernel_size kernel_size self.softmax nn.Softmax(dim-1) def forward(self, x): # 输入特征x形状为 (B, C, H, W) residual x # 计算每个像素的权重 (Pixel Normalization) pixel_weight x.mean(dim1, keepdimTrue) # 按通道求均值形状为 (B, 1, H, W) normalized_weight pixel_weight / pixel_weight.sum(dim(2, 3), keepdimTrue) # 像素归一化 # 加权输入特征 x x * normalized_weight # 按像素位置加权 x torch.sigmoid(x) * residual # 与原输入相乘 return x class NAM(nn.Module): def __init__(self, channels): super(NAM, self).__init__() self.Channel_Att Channel_Att(channels) self.Spatial_Att Spatial_Att() def forward(self, x): x_out1 self.Channel_Att(x) x_out2 self.Spatial_Att(x_out1) return x_out2 if __name__ __main__: device torch.device(cuda if torch.cuda.is_available() else cpu) print(fUsing device: {device}) nam NAM(channels32).to(device) # 将模型移动到设备 input torch.rand(1, 32, 256, 256).to(device) # 将输入数据移动到设备 # # 参数量计算可注释 # print(Model Summary:) # print(summary(nam, input_size(1, 32, 256, 256), devicedevice.type)) # # 计算量计算可注释 # flops FlopCountAnalysis(nam, input) # print(\nFlop Count Table:) # print(flop_count_table(flops)) output nam(input) print(f\nInput shape: {input.shape}) print(fOutput shape: {output.shape})运行结果展示每日分享最新的前沿技术助力快速发论文、模型涨点欢迎点赞关注评论转发添加下方个人微信