Attention Mechanism in Computer Vision
前言 本文系统全面地介绍了Attention机制的不同类别，介绍了每个类别的原理、优缺点。
欢迎关注公众号
概述
Attention机制目的在于聚焦有用的信息，并减少不重要信息的比重。Attention机制可以分为6大类，包括4个基础类别和2个组合类别。4个基础类别分别是通道注意力（channel attention），空间注意力（spatial attention），时间注意力（temporal attention），分支注意力（branch attention）。2个组合类别即通道与空间的组合，空间与时间的组合。
欢迎关注公众号
CV技术指南创建了一个免费的
知识星球正在建设中，欢迎可以写以下内容的成员联系我（微信号：FewDesire，ID:仿佛若有光）。添加前请备注“研究方向-地点-ID”
-
TVM入门到实践的教程
-
TensorRT入门到实践的教程
-
MNN入门到实践的教程
-
数字图像处理与Opencv入门到实践的教程(须包含数字图像处理理论和opencv实践)
-
OpenVINO入门到实践的教程
-
libtorch入门到实践的教程
-
Oneflow入门到实践的教程
-
Detectron入门到实践的教程
-
CUDA入门到实践的教程
-
caffe源码阅读
-
pytorch源码阅读
-
深度学习从入门到精通（从卷积神经网络开始讲起）
-
最新顶会的解读。例如最近的CVPR2022论文。
-
各个方向的系统性综述、主要模型发展演变、各个模型的创新思路和优缺点、代码解析等。（分成多篇文章来写，写得太简约不行，最好是一个重要模型一篇文章）
-
若自己有想写的且这上面没提到的，可以跟我联系。
