应用于图像的自注意力机制
自注意力机制应用于图像主要结合CNN或transformer实现相关任务，如图像分割、识别和定位等。
自注意力可以分为对通道的或对空间的自注意力，或者两者的结合
参考原文：Pytorch 图像处理中注意力机制的解析与代码详解
经典网络模型1——SENet 详解与复现
SENet
SENet使用了通道注意力机制
如下图所示，SENet是将原始数据通过一个卷积操作Ftr，得到c2通道h高w宽的数据，然后再使用全局池化（avgpooling平均池化）将h*w降阶为平均值，则输出数据为C2通道的1高1宽，再通过两个全连接操作使得其注意力向量化为原始长宽，第一个全连接实现转化，第二个全连接实现升维，再使用Sigmoid将值固定到0-1之间，此时我们获得了输入特征层每一个通道的权值，之后将注意力矩阵与未经降维前的矩阵相乘，得到最终的输出。
CBAM
CBAM使用了通道注意力和空间注意力结合
下面是CBAM的整体结构，先进行了通道注意力的运用，再使用空间注意力机制
下图的上部分是通道注意力机制，将输入数据使用最大池化和平均池化将数据降维（保留通道维度），然后再通过全连接层（这里可以用1维卷积代替）进行信息综合，最后相加输出的两个向量，通过sigmoid将值放缩到0-1区间，得到注意力
下图的下半部分是空间注意力机制，将输入数据使用最大池化和平均池化将数据降维（整合通道维度），然后使用卷积将两个池化后的数据通道综合（卷积先对h*w维度进行处理，再将多个通道数据相加），最后经过sigmoid得到空间注意力
ECA
相较于传统的SENet模型，ECA不同的点是其使用1D卷积算子对avgpooling之后的向量进行了信息综合，而不是使用全连接。
上面主要需要明白注意力在图像上的体现：
- 通道上就是先综合其他维度信息，综合处理降维后的通道向量，最后附加注意力
- 空间上先综合通道维度信息，得到图像尺寸数据，再通过卷积等方式进行综合2D数据信息
yolo浅析
参考博文：写给小白的YOLO介绍
Pytorch搭建YoloV4目标检测平台
CSPDarkNet53学习
YOLO是目标检测模型，利用grid、bounding box、confidence、中心点坐标、预测长宽来实现一张图像中多个目标的识别、定位、分类和分割。
yolo的思想：将一张图像分割为多个块，形成一个grid，再在一个网格中预测B个Bounding Box，Box的中心一定在网格内，Box的属性还有长宽，分类信息另外表示，由grid每个网格来预测该网格中的对象属于什么类别。对于图像的多目标检测，还引入了非极大值抑制技术，再多个grid都被预测为统一类别且相邻时，选择这些grid中置信度最高的一个Bounding Box，再取这群Box中置信度最高的，以该Box为基础，判断与其他Box之间的IOU，超过则包含进来，否则剔除。
CSPDarkNet53
该方法相对于DarkNet的改进：1. 使用了mish激活函数，使得梯度更加平滑，收敛效果更好；2. 改善了resblock的结构，分流执行处理。
ViT
ViT实现的是将图像分割为多个patches，再继续linear embedding，利用transformer encoder输出，再通过多层感知机处理，得到最终的class分类可能性
