介绍

摘要

本项目介绍了一种轻量级的 Mixed Local Channel Attention (MLCA) 模块，该模块同时考虑通道信息和空间信息，并结合局部信息和全局信息以提高网络的表达效果。基于该模块，我们提出了 MobileNet-Attention-YOLO(MAY) 算法，用于比较各种注意力模块的性能。在 Pascal VOC 和 SMID 数据集上，MLCA 相对于其他注意力技术更好地平衡了模型表示效果、性能和复杂度。与 PASCAL VOC 数据集上的 Squeeze-and-Excitation(SE) 注意力机制和 SIMD 数据集上的 Coordinate Attention(CA) 方法相比，mAP 分别提高了 1.0% 和 1.5%。

YOLOv11目标检测创新改进与实战案例专栏

点击查看文章目录： YOLOv11创新改进系列及项目实战目录 包含卷积，主干 注意力，检测头等创新机制 以及 各种目标检测分割项目实战案例

点击查看专栏链接: YOLOv11目标检测创新改进与实战案例

文章链接

论文地址：论文地址

代码地址：代码地址

基本原理

Mixed Local Channel Attention (MLCA)是一种轻量级的本地注意力机制，旨在同时考虑通道信息、空间信息、局部信息和全局信息。MLCA模块的结构和工作原理如下：

结构：

• 输入处理：MLCA的输入特征向量经过两步池化处理，首先进行局部池化，将输入转换为1 C ks * ks的向量，以提取局部空间信息。
• 分支处理：经过初始阶段处理后，使用两个分支将输入转换为一维向量，第一个分支包含全局信息，第二个分支包含局部空间信息。
• 信息融合：经过一维卷积处理后，两个向量的原始分辨率通过反池化恢复，然后融合信息以实现混合注意力。

工作原理：

• 局部空间信息提取：通过局部池化和反池化，MLCA能够捕获输入特征向量中的局部空间信息，有助于提高对象检测的准确性。
• 通道交互信息：一维卷积考虑每个通道与其k个相邻通道之间的关系，捕获通道间的局部交互信息，从而增强通道信息的表达能力。
• 全局和局部信息融合：MLCA通过融合全局和局部信息，实现对对象检测任务的综合关注，同时避免通道维度减少导致的精度损失。

核心代码

import torch
import torch.nn as nn
import torch.nn.functional as F
import math

class MLCA(nn.Module):
    def __init__(self, in_size,local_size=5,gamma = 2, b = 1,local_weight=0.5):
        super(MLCA, self).__init__()

        # ECA 计算方法
        self.local_size=local_size
        self.gamma = gamma
        self.b = b
        t = int(abs(math.log(in_size, 2) + self.b) / self.gamma)   # eca  gamma=2
        k = t if t % 2 else t + 1

        self.conv = nn.Conv1d(1, 1, kernel_size=k, padding=(k - 1) // 2, bias=False)
        self.conv_local = nn.Conv1d(1, 1, kernel_size=k, padding=(k - 1) // 2, bias=False)

        self.local_weight=local_weight

        self.local_arv_pool = nn.AdaptiveAvgPool2d(local_size)
        self.global_arv_pool=nn.AdaptiveAvgPool2d(1)

task与yaml配置

详见：https://blog.csdn.net/shangyanaf/article/details/143099740