自然场景下的茶叶嫩芽环境比较复杂，且茶叶图像的前景和背景较为相似，为使网络模型在进行信息提取的时候更好地关注茶叶嫩芽的关键信息，改善小目标的识别效果，本文选择将融合通道注意力与空间注意力的CBAM( convolutional block attention module)卷积注意力模块^[30]应用于加强特征融合网络中，添加在Neck网络中的每个CSP2_1模块后。

CBAM模块由通道注意力模块(CAM)和空间注意力模块(SAM)组成，如图5所示，CBAM依次沿着通道和空间两个独立维度推断注意力图，两个模块分别关注特征的含义和重要特征的位置^[31]。CAM模块对输入进来的单个细化特征F[C,H,W]，先分别进行全局平均池化和全局最大池化操作得到两个[C,1,1]的权重向量；之后权重向量通过共享多层感知器映射成每个通道的权重；将映射后的权重相加，利用Sigmoid激活函数获得输入特征层的权值矩阵\begin{document}$ {M}_{c} $\end{document}，其计算式如式（2）所示：

2\begin{document}$ {M}_{c}\left(F\right) = \sigma \left(\mathrm{M}\mathrm{L}\mathrm{P}\left(\mathrm{A}\mathrm{v}\mathrm{g}\mathrm{P}\mathrm{o}\mathrm{o}\mathrm{l}\left(F\right)\right) + \mathrm{M}\mathrm{L}\mathrm{P}\left(\mathrm{M}\mathrm{a}\mathrm{x}\mathrm{P}\mathrm{o}\mathrm{o}\mathrm{l}\left(F\right)\right)\right) $\end{document}

式中，\begin{document}$ \sigma $\end{document}为Sigmoid激活函数，F为输入的特征图。在获得\begin{document}$ {M}_{c} $\end{document}后，将其与原输入特征图F按通道数相乘得到通道细化特征\begin{document}$ {F}{{'}} $\end{document}，其计算式为式(3)。

3\begin{document}$ {F}^{{'}}={M}_{c}\left(F\right)\otimes F $\end{document}

式中\begin{document}${F}'$\end{document}为经CAM细化后的特征图，\begin{document}$ \otimes $\end{document}为逐元相乘操作。特征图\begin{document}$ {F}^{\text{'}} $\end{document}[\begin{document}${C}^{\text{'}},{{\boldsymbol{H}}}^{\text{'}},{{\boldsymbol{W}}}^{\text{'}}$\end{document}]在SAM中沿每一个特征点的通道上进行最大池化和平均池化操作得到两个[1, \begin{document}${{\boldsymbol{H}}}^{\text{'}},{{\boldsymbol{W}}}^{\text{'}}$\end{document}]的权重向量，之后将结果进行堆叠获得[2, \begin{document}${{\boldsymbol{H}}}^{\text{'}},{{\boldsymbol{W}}}^{\text{'}}$\end{document}]的特征图空间权重；经过\begin{document}$ 7\times 7 $\end{document}的卷积操作后利用Sigmoid激活函数，进而得到空间压缩权值矩阵\begin{document}${{\boldsymbol{M}}}_{s}$\end{document}，如式（4）所示：

4\begin{document}${{\boldsymbol{M}}}_{s}\left(F\right)=\sigma \left({f}^{7\times 7}\left(\mathrm{A}\mathrm{v}\mathrm{g}\mathrm{P}\mathrm{o}\mathrm{o}\mathrm{l}\left({F}^{\text{'}}\right);Max\mathrm{P}\mathrm{o}\mathrm{o}\mathrm{l}\left({F}^{\text{'}}\right)\right)\right) $\end{document}

式中，f^7×7为7×7卷积层获得权值\begin{document}$ {M}_{s} $\end{document}后，将其与输入特征层\begin{document}$ {F}^{\text{'}} $\end{document}相乘得到空间细化特征\begin{document}$ {F}^{\text{'}\text{'}} $\end{document}，其计算式如式(5)：

5\begin{document}$ {F}^{\text{'}\text{'}}={{\boldsymbol{M}}}_{{\boldsymbol{s}}}\left({F}^{{'}}\right)\otimes {F}^{{'}} $\end{document}