一、本文介绍
本文记录的是利用轻量级自适应提取模块(LAE)模块优化YOLOv11的目标检测网络模型。LAE (Lightweight Adaptive Extraction)在减少参数和计算成本的同时，能够提取更丰富语义信息的特征，克服了传统卷积方法难以捕捉全局信息的问题，并能更好地提取ROI特征。本文将其应用v11中，改进主要模块，更好地突出重要特征，从而提升模型对物体检测的能力。
专栏目录：YOLOv11改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
专栏地址：YOLOv11改进专栏——以发表论文的角度，快速准确的找到有效涨点的创新点！
二、轻量级自适应提取（LAE）模块介绍
2.1 设计出发点
- 减少参数和计算成本：在多尺度特征提取中，相较于传统卷积方法，旨在降低参数数量和计算成本，同时提取具有更丰富语义信息的特征。
- 保留局部信息：传统卷积过程中边缘和角落的像素信息易丢失，而这些局部信息在医学成像中对表示ROI目标和周围区域的隐含信息尤为重要。同时，特征图中相邻像素间存在信息差异，包含目标的像素信息熵高于相邻像素，所以希望在采样过程中保留信息含量高的像素。
- 解决卷积局限性：考虑到卷积操作的局部性难以捕捉全局信息且计算复杂，参考了Focus的概念，但因Focus的切片操作计算成本高不符合轻量化处理目标，所以在此基础上进行改进。
2.2 原理
- 通过设计两个共享参数的并行分支，采用组卷积的概念高效地将输入映射到输出维度，利用N组组卷积使参数数量相比传统卷积减少到1/N。
- 每个LAE单元实现四倍下采样（高度和宽度都缩小为原来的1/2）。在采样过程中，为缓解边缘信息丢失问题，先将特征图的高度和宽度信息保存到通道中，使特征图维度从四维（batch, channel, height, weight）变为五维（batch, channel, height, weight, n），其中‘n’表示采样因子。
- 自适应提取路径通过平均池化和卷积交换信息，对特征图按四个相邻像素（如左上角四个像素）重新组合进行下采样，其权重通过softmax表示，维度也变为五维。在‘n’维度上，自适应权重与另一分支相结合，这种方式可理解为在从高分辨率到低分辨率信息的转换过程中，在通道层面隐式包含了全局信息。
2.3 结构
- 由两个并行分支构成，包括自适应提取路径和轻量化提取路径。
- 自适应提取路径：通过平均池化和卷积交换信息，实现特征图按四个相邻像素重新组合下采样，并确定自适应权重。
- 轻量化提取路径：利用1×1卷积、平均池化、重排操作、Softmax乘法等操作，高效地将输入映射到输出维度。
2.4 优势
- 参数少且易使用：模块使用时无参数，便于即插即用式的迁移。
- 保留信息丰富：能有效保留局部信息和在采样过程中隐式包含全局信息，从而提取出具有更丰富语义信息的特征。
论文：https://arxiv.org/pdf/2408.14087
源码：https://github.com/VincentYuuuuuu/LSM-YOLO
三、实现代码及YOLOv11修改步骤
模块完整介绍、个人总结、实现代码、模块改进、二次创新以及各模型添加步骤参考如下地址：
