细节增强注意力模型DEAB详解及代码复现

基本原理

DEAB模型的基本原理是通过细节增强卷积（DEConv）和内容引导注意力（CGA）机制的协同工作来实现细节增强注意力功能。这种设计使得模型能够在处理图像时更好地保留细节信息，同时关注图像中的重要内容。

DEAB模型的核心组件包括：

1. 细节增强卷积（DEConv） ：DEConv是一种创新的卷积层设计，通过并行部署普通卷积和差分卷积来增强特征提取能力。差分卷积包括中心差分卷积（CDC）、角差分卷积（ADC）、水平差分卷积（HDC）和垂直差分卷积（VDC）。这些差分卷积能够将传统的局部描述符集成到卷积层中，从而提高表示能力和泛化能力。

2. 内容引导注意力（CGA）机制 ：CGA是一种两步注意力生成器，它通过一个粗细处理过程来生成空间注意力图。具体而言，CGA首先生成一个粗略的空间注意力图，然后根据输入特征图的每个通道对其进行细化，最终得到一个特定于通道的空间重要性图（SIM）。这种机制使得模型能够关注每个通道中的重要区域，从而更好地利用特征信息。

3. 基于CGA的混合融合方案 ：