9.1 引言注意力机制已成为提升深度神经网络性能的重要手段。从SENet的通道注意力到CBAM的通道-空间串行注意力，再到各种自注意力变体，注意力机制的形式越来越多样化。然而，大多数注意力机制都存在一个共同的问题：引入了额外的可学习参数。这些参数不仅增加了模型的存储开销，还可能导致过拟合风险，尤其是在小样本场景下。理想的注意力机制应该具备以下特性：无参数或极轻量：不引入或极少引入可学习参数，避免增加模型复杂度。计算高效：计算开销小，不影响推理速度，适合实时应用。性能优越：能够有效提升模型的特征表达能力，带来显著的性能增益。即插即用：可以方便地插入到现有网络的任意位置，无需复杂的配置。2021年，Yang等人提出了SimAM（Simple, Parameter-Free Attention Module）——一种真正意义上的无参数注意力模块。SimAM的设计灵感来源于认知神经科学中的"显著性"概念：大脑在处理视觉信息时，会自动将注意力分配到那些与周围环境差异显著的区域。SimAM的核心创新点在于：完全无参数：SimAM不包含任何可学习参数，通过纯计算的方式生成注意力权重。3D注意力：不同于传统的通道注意力（1D）或空间注意力（2D），SimAM同时考虑通道和空间维