1. EAMA注意力机制
EAMA注意力模块比NAMAttention和EMAttention在图像特征提取方面更强，其优势主要体现在以下几个方面：
(1). 综合利用通道和空间信息：
EAMA结合了EMAttention和NAMAttention两种注意力机制，充分利用了通道和空间信息。EMAttention关注的是空间关系，而NAMAttention则关注通道间的关系。通过融合这两种机制，EAMA能够同时捕捉到图像中不同位置和通道间的依赖关系，使得特征提取更加全面和细致。
(2). 多尺度特征融合：
EMAttention通过对输入特征进行分组（factor参数控制分组数目），在不同的尺度上提取特征。然后使用自适应平均池化和卷积操作对特征进行处理，结合了全局和局部的信息。而NAMAttention通过BatchNorm层的权重自适应调整通道间的关系，使得特征的表示更加多样化和准确。EAMA将这两种机制结合，可以更好地融合多尺度的特征，提高特征表示的丰富性。
(3). 权重自适应调整：
NAMAttention中的BatchNorm层权重在计算过程中被自适应调整，使得不同通道的特征可以根据其重要性得到不同的权重。这种自适应调整机制可以使模型更好地关注关键特征，忽略不重要的特征。EAMA通过融合NAMAttention的输出，能够继承这种优势，使特征表示更具鲁棒性。
(4). 加权融合机制：
EAMA采用加权融合机制（通过alpha参数控制EMAttention和NAMAttention输出的权重比例），使得模型可以根据不同