摘要
HAM通过快速一维卷积来缓解通道注意机制的负担，并引入通道分离技术自适应强调重要特征。HAM作为通用模块，在CIFAR-10、CIFAR-100和STL-10数据集上实现了SOTA级别的分类性能。
论文链接：https://www.sciencedirect.com/science/article/abs/pii/S0031320322002667?via%3Dihub
方法
通道注意力如下图：
输入特征首先经过两个分支的不同池化得到和，这与CBAM中保持一致，平均池化可以学习到目标物体的程度信息，最大池化则能够学习到物体的判别性特征，同时使用的话，最大池化编码目标的显著性信息，能够很好地弥补平均池化编码的全局信息。
空间注意模块如下图：
输入特征为经过通道注意模块的通道细化特征，其中每个通道都具有不同的重要性（在数值表现上，通道注意张量中重要的通道权重更大）。因此作者等人提出应将通道细化特征沿通道轴线进行划分，重要特征分为一组，次重要特征分为一组。
嵌入到ResNet的Block中，如下图：
