注意力机制模块：全局注意力机制 GAM 详解：跨维度特征交互，超越传统 CBAM 的2026落地新宠

引言：注意力机制的“维度困境”

在深度学习领域，注意力机制（Attention Mechanism）已经成为提升模型性能的核心武器。从SENet首次将通道注意力引入CNN，到CBAM（Convolutional Block Attention Mechanism）同时使用通道和空间注意力，再到Transformer中的自注意力机制，注意力机制的发展脉络清晰地指向一个方向——让模型学会“看什么”和“看哪里”。

然而，传统注意力机制存在一个被长期忽视的根本性缺陷：维度分离导致的信息损失。根据GAM论文《Global Attention Mechanism: Retain Information to Enhance Channel-Spatial Interactions》的研究，CBAM虽然依次进行通道和空间注意力操作，但忽略了通道与空间之间的相互作用，造成了跨维度信息的丢失。SE虽然轻量，但只关注通道维度，完全放弃了空间信息的建模。

这种“维度分离”带来了什么后果？想象一下，通道注意力告诉你“这张图里有猫的特征”，空间注意力告诉你“猫在图的左上角”，但这两个信息在传递过程中是割裂的。通道注意力在降维压缩时已经丢失了精确的空间位置对应关系，等到空间注意力介入时，它面对的已经是“残缺”的信息了。

2021年，一篇题为《Global Attention Mechanism: Retain Information to Enhance Channel-Spatial Interactions》的论文提出了全局注意