【Gabor神经网络（GNN）】Gabor注意力与特征增强机制

教学讲义 / 研究笔记Gabor注意力与特征增强机制性质声明：本文档为独立教学讲义与研究整理，面向具备深度学习与信号处理基础的工程师及研究生。所有内容基于公开学术成果的原创化重组与工程化解读，旨在建立Gabor频域先验与现代注意力机制在声呐及视觉特征增强中的融合设计能力。一、核心矛盾： handcrafted 纹理先验与数据驱动注意力之间的断层1.1 问题引入传统卷积网络将特征提取完全交给数据驱动优化，数百万参数在端到端训练中自发学习纹理、边缘与语义表征。与此同时，Gabor滤波器作为经过数十年验证的最优局部纹理探测器，其频率-方向选择性在生物视觉与声呐散射分析中均有坚实物理基础。然而，在深度网络中，Gabor核常被简单置于第一层作为固定初始化或手工前端，后续标准卷积与注意力模块对其响应视而不见。这造成两个深层缺陷：先验浪费：Gabor层输出的方向-频率信息在通道维度上被后续标准卷积均匀混合，丢失了"哪个方向对当前目标更重要"的判别线索；注意力盲目：SE-Net、CBAM等通道/空间注意力模块仅从特征统计量（全局均值、最大值）生成权重，对输入信号的频域物理结构毫无感知，在声呐强散斑噪声背景下容易将噪声统计误判为显著特征。