【YOLOv11改进 - 注意力机制】MLCA(Mixed local channel attention):混合局部通道注意力
【YOLOv11改进 - 注意力机制】MLCA(Mixed local channel attention):混合局部通道注意力本项目提出了一种轻量级的 Mixed Local Channel Attention (MLCA) 模块，结合通道信息和空间信息，提升网络表达效果。基于此模块，开发了 MobileNet-Attention-YOLO (MAY) 算法，在 Pascal VOC 和 SMID 数据集上表现优异，mAP 分别提高了 1.0% 和 1.5%。MLCA 通过局部池化、一维卷积和信息融合，有效捕获局部和全局信息。项目代码和详细配置可在 GitHub 和 CSDN 获取。
【YOLOv11改进 - 注意力机制】iRMB： 倒置残差移动块，即插即用的轻量注意力
【YOLOv11改进 - 注意力机制】iRMB： 倒置残差移动块，即插即用的轻量注意力本文提出了一种新的轻量级密集预测模型EMO，结合高效的倒置残差块（IRB）和Transformer组件，设计了单残差元移动块（MMB）和倒置残差移动块（iRMB）。EMO在ImageNet-1K、COCO2017和ADE20K基准上表现出色，参数、效率和准确度达到良好平衡，尤其在iPhone14上运行速度比EdgeNeXt快2.8-4.0倍。
【YOLOv11改进 - 注意力机制】CoTAttention:上下文转换器注意力
【YOLOv11改进 - 注意力机制】CoTAttention:上下文转换器注意力Contextual Transformer (CoT) 是一种新型的Transformer风格模块，通过3×3卷积对输入键进行上下文编码，生成静态上下文表示，并通过两个1×1卷积学习动态多头注意力矩阵，增强视觉表示能力。CoTNet将CoT块应用于ResNet架构中，替代3×3卷积，提升图像识别、目标检测和实例分割等任务的性能。源码可在GitHub获取。