1.创新点介绍
引言
本文将深入解析一个创新的CNN模型架构，它巧妙地将Swin Transformer与自定义的通道-位置交叉注意力（CPCA） 模块相结合。这种设计在保持Transformer强大特征提取能力的同时，通过注意力机制增强了模型对关键特征的聚焦能力。
1. CPCA注意力模块
class CPCA(nn.Module):def __init__(self, in_channels, reduction_ratio=4):# 初始化代码...核心结构
CPCA模块采用双分支并行设计，同时捕捉通道和空间维度的关键信息：
-
通道注意力分支：
-
全局平均池化 → 1×1卷积降维 → ReLU激活 → 1×1卷积恢复维度 → Sigmoid
-
生成形状为
[B, C, 1, 1]的通道权重向量
-
-
<
