如图为：SE、CBAM、CA

CA创新点：CA通过将2D通道注意力分解为两个1D编码过程，分别沿垂直和水平方向聚合特征。这样一来，模型不仅能捕获长距离的空间依赖关系，还能保留细粒度的位置信息，帮助模型在需要定位物体结构的任务中表现更优。

CA的结构和工作流程:

1. CA通过1D池化操作将输入特征图分别在水平方向和垂直方向上进行池化（X Avg Pool和Y Avg Pool），生成两个方向上的特征图（C×1×W和C×H×1），保留了空间位置信息。
2. 然后，这两个特征图被连接（concat）后，通过卷积操作提取特征，进一步生成两个方向上的注意力权重。
3. 最终，CA将这两个权重分别应用在输入特征图的水平方向和垂直方向，实现方向感知和位置敏感的注意力增强。

参考：YOLOV5改进系列（2）——CA注意力机制-CSDN博客