NAMAAttention注意力机制简介：
注意力机制是近年来研究的热点之一（Wang et al。[2017]，Hu等人[2018]，Park等人[2018]、Woo等人[2018]和Gao等人[199]）。它有助于深度神经网络抑制不太显著的像素或通道。许多先前的研究都侧重于通过注意操作捕捉显著特征（Zhang等人[2020]，Misra等人[2021年]）。这些方法成功地利用了来自不同维度特征的相互信息。然而，它们缺乏对权重的贡献因素的考虑，这能够进一步抑制不重要的通道或像素。受Liu等人的启发。【2017】，我们旨在利用权重的贡献因素来改善注意力机制。我们使用批量归一化的比例因子，该比例因子使用标准偏差来表示权重的重要性。这可以避免添加SE、BAM和CBAM中使用的完全连接层和卷积层。
因此，我们提出了一种有效的注意力机制——基于归一化的注意力模块（NAM）
许多先前的工作试图通过抑制不重要的权重来提高神经网络的性能。挤压和激励网络（SENet）（Hu等人[2018]）将空间信息集成到通道特征响应中，并使用两个多层感知器（MLP）层计算相应的注意力。后来，瓶颈注意模块（BAM）（Park等人[2018]）并行构建了分离的空间和通道子模块，它们可以嵌入每个瓶颈块中。卷积块注意力模块（CBAM）（Woo等人[2018]）提供了一种按顺序嵌入通道和空间注意力子模块的解决方案。为了避免忽略交叉维度的交互作用，三重注意模块&