CBAM: Convolutional Block Attwnrion Module
Abstract: We propose convolutional block attention module (CBAM). 给定一个特征图，我们的模型能够从两个分离的维度进行推理，通道和空间，然后，特征图乘上原来输入的特征图进行特征的调整。CBAM是轻量级的一般的module，他可以集成到任何CNN中。
SENet只在feature map的通道上进行attention生成，在空间维度上并不能体现attention的意思。Attention不仅能告诉模型该注意什么，同时也能增强特定区域的表征。
Channel attention module
和senet的工作类似，都是首先将feature map在spatial维度上进行压缩，得到一个一维矢量再进行操作。与SENet不同之处在于，对输入feature map进行spatial维度压缩时，不但考虑average pooling,还引入了Maxpool，共享两层mlp，得到两组一维矢量，GAP对feature map上每一像素点都有反馈，GMP在进行梯度反向传播计算只有feature map中响应最大的地方有梯度的反馈，作为GAP的一个补充。
Spatial attention module
如上图，先使用average pool和max pool对输入feature map进行压缩操作，对通道层面的压缩，对输入特征在通道维度分别进行mean和max操作，最后得到两个二维的feature，将其拼接在一起，形成一个通道数目为2的feature map，使用conv得到输入和输出一致的维度。
Arrangement of attention modules
两个attention的module，以及何种顺序去设置和组合同样重要，有channel-first，spatial-first和parallel三种。
Experiments
Channel attention
Spatial attention
Arragement of the channel and apatial attention
