この記事は、CBAM（Convolutional Block Attention Module）論文のレビューと実装を Woo et al. [1] によって行われています。これは 2018 年に発表され、ダブルアテンションメカニズムによりCNNの特徴品質を向上させ、2020 年に導入されたVision Transformer (ViT)より前に発表されました。軽量設計のため、低消費電力デプロイメントにも適しており、依然として関連性があります。

CBAMは、SENet（Squeeze-and-Excitation Network）を改善し、空間注意を追加することで行われます。SENetはチャネル方向のみに注意を適用するのに対し、CBAMは2つのサブモジュールを導入します：チャネルアテンションモジュール（CAM）とスペーシャルアテンションモジュール（SAM）。CAMは、グローバル平均プーリングとグローバル最大プーリングの両方を使用し、その後、削減比率を持つ共有MLPを適用してチャネル重みを生成します。SAMは、チャネル方向に最大プーリングと平均プーリングを適用し、その後、畳み込み層を適用して空間注意マップを生成します。

精緻化された出力は、入力テンソルの次元（C×H×W）を保持し、あらゆるバックボーンアーキテクチャへのシームレスな統合を可能にします。この実装はPyTorchを使用して示されており、コンピュータビジョンタスクにこのダブルアテンションメカニズムを適用するための実践的なガイドを提供します。

主要なエンティティ: 企業: Towards Data Science | 人物: Woo et al.

よくある質問: CBAMはSENetとどのように注意メカニズムで異なりますか？

CBAMは、チャネルアテンションモジュール（CAM）に加えてスペーシャルアテンションモジュール（SAM）を追加することでSENetを拡張し、チャネルごとの重み付けに加えてピクセルレベルの空間重み付けを可能にします。