（一）前沿介绍论文题目：CCNet:Criss-CrossAttentionforSemanticSegmentation论文地址：https://arxiv.org/pdf/1811.11721.pdf代码地址：https://github.com/shanglianlm0525/CvPytorch本文是ICCV2019的语义分割领域的文章，旨在解决long-rangedependencies问题，提出了基于十字交叉注意力机制（Criss-CrossAttention）的模块，利用更少的内存，只需要11xlessGPU内存，并且相比non-localblock更高的计算效率，减少了85%的F

本文所涉及到的yolov5网络为6.1版本（6.0-6.2均适用）yolov5加入注意力机制模块的三个标准步骤（适用于本文中的任何注意力机制）1.common.py中加入注意力机制模块2.yolo.py中增加对应的注意力机制关键字3.yaml文件中添加相应模块注：所有注意力机制的添加方法都是一致的，加入注意力机制是否有效的关键在于注意力机制添加的位置，本文提供两种常用常用方法。注：需要下列所有注意力机制已经改好的代码版本及yaml文件（到手即用），请私聊我（免费）目录1.CBAM注意力机制2.SE注意力机制3.ECA注意力注意力机制4.CA注意力注意力机制5.SimAM注意力机制6.Shuff

本文所涉及到的yolov5网络为6.1版本（6.0-6.2均适用）yolov5加入注意力机制模块的三个标准步骤（适用于本文中的任何注意力机制）1.common.py中加入注意力机制模块2.yolo.py中增加对应的注意力机制关键字3.yaml文件中添加相应模块注：所有注意力机制的添加方法都是一致的，加入注意力机制是否有效的关键在于注意力机制添加的位置，本文提供两种常用常用方法。注：需要下列所有注意力机制已经改好的代码版本及yaml文件（到手即用），请私聊我（免费）目录1.CBAM注意力机制2.SE注意力机制3.ECA注意力注意力机制4.CA注意力注意力机制5.SimAM注意力机制6.Shuff