Position Attention Module

捕获特征图的任意两个位置之间的空间依赖，对于某个特定的特征，被所有位置上的特征加权和更新。权重为相应的两个位置之间的特征相似性。因此，任何两个现有相似特征的位置可以相互贡献提升，而不管它们之间的距离.。

• 特征图A（C*H*W）首先分别通过3个卷积层（BN和Relu）得到三个特征图{B,C,D},shape为（C*H*W），然后reshape为C*N，其中N=H*W，为像素的数量。
• 矩阵C和B的转置相乘，在通过softmax得到spatial attention map S（N*N）
• 矩阵D和S的转置相乘，reshape result到(CxHxW)再乘以尺度系数 α 再reshape为原来形状（C*H*W），最后与A相加得到最后的输出E

S矩阵的每一个元素为，表示位置对位置的影响。E中的每一个元素为,为尺度因子，为D的元素，为A的元素

• S矩阵相当于一个attention，它的每一行计算的是，所有像素与某个像素之间的依赖关系，softmax概率化，softmax值越大，说明更可信，相对的依赖性也更强。

Channel Attention Module

• 在Channel Attention Module中，分别对A做reshape（C*N）和reshape与transpose(N*C)
• 将得到的两个特征图相乘再通过softmax得到channel attention map X(C×C)
• X与A做乘积再乘以尺度系数β再reshape为原来形状，最后与A相加得到最后的输出E。

其中β初始化为0，并逐渐的学习分配到更大的权重。S矩阵的每一个元素为，表示第通道对通道的影响。E中的每一个元素为，为尺度因子，为的元素，为的元素.

References

• arXiv(Paper): https://arxiv.org/abs/1809.02983
• github(Code): https://github.com/junfu1115/DANet