三分钟学会使用系列（YOLOv5）|EMA注意力机制，涨点神器！

三分钟学会使用系列（YOLOv5）|EMA注意力机制，涨点神器！

---

本文旨在让读者快速了解相关技术并运用,欢迎关注。

1. 原文地址：《Efficient Multi-Scale Attention Module with Cross-Spatial Learning》

---

1. EMA通道注意力导读

​ EMA(efficient multi-scale attention, EMA)是一种无需降维的高效多尺度注意力。ECA一种跨空间学习方法，使用一个多尺度并行子网络来建立短和长依赖关系。

---

2. 代码

​ EMA代码(来源于网络)。

class EMA(nn.Module):
    def __init__(self, channels, factor=8):
        super(EMA, self).__init__()
        self.groups = factor
        assert channels // self.groups > 0
        self.softmax = nn.Softmax(-1)
        self.agp = nn.AdaptiveAvgPool2d((1, 1))
        self.pool_h = nn.AdaptiveAvgPool2d((None, 1))
        self.pool_w = nn.AdaptiveAvgPool2d((1, None))
        self.gn = nn.GroupNorm(channels // self.groups, channels // self.groups)
        self.conv1x1 = nn.Conv2d(channels // self.groups, channels // self.groups, kernel_size=1, stride=1, padding=0)
        self.conv3x3 = nn.Conv2d(channels // self.groups, channels // self.groups, kernel_size=3, stride=1, padding=1)

    def forward(self, x):
        b, c, h, w = x.size()
        group_x = x.reshape(b * self.groups, -1, h, w)  # b*g,c//g,h,w
        x_h = self.pool_h(group_x)
        x_w = self.pool_w(group_x).permute(0, 1, 3, 2)
        hw = self.conv1x1(torch.cat([x_h, x_w], dim=2))
        x_h, x_w = torch.split(hw, [h, w], dim=2)
        x1 = self.gn(group_x * x_h.sigmoid() * x_w.permute(0, 1, 3, 2).sigmoid())
        x2 = self.conv3x3(group_x)
        x11 = self.softmax(self.agp(x1).reshape(b * self.groups, -1, 1).permute(0, 2, 1))
        x12 = x2.reshape(b * self.groups, c // self.groups, -1)  # b*g, c//g, hw
        x21 = self.softmax(self.agp(x2).reshape(b * self.groups, -1, 1).permute(0, 2, 1))
        x22 = x1.reshape(b * self.groups, c // self.groups, -1)  # b*g, c//g, hw
        weights = (torch.matmul(x11, x12) + torch.matmul(x21, x22)).reshape(b * self.groups, 1, h, w)
        return (group_x * weights.sigmoid()).reshape(b, c, h, w)

---

3. 使用教程

​ 以YOLOv5为例，加入EMA注意力机制。

​ 后续出B站视频。

​ 过几天出B站教程。

---

4. 文章详解

​ 有空了再写…

---

5. 参考

1. 原文地址：《CBAM: Convolutional Block Attention Module》

---

onal Block Attention Module》](https://arxiv.org/abs/1807.06521)

---