1. CPCA 模块
CPCA（Channel Prior Convolutional Attention）是一种结合通道先验信息的卷积注意力机制，旨在通过显式建模通道间关系来增强特征表示能力。
核心思想
CPCA的核心思想是将通道注意力机制与卷积操作相结合，同时引入通道先验知识，通过以下方式优化特征学习：
-
通道间关系显式建模：直接学习通道间的依赖关系
-
局部空间信息保留：通过卷积操作保持空间局部性
-
先验知识引导：利用已知的通道分布规律指导注意力权重计算
主要组件
1. 通道先验模块
该模块通过统计分析或领域知识获取通道间的关系先验：
-
可通过大型数据集上的通道激活统计获得
-
也可设计为可学习的参数化形式
-
常用形式包括：
-
通道协方差矩阵
-
)
