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%。
YOLO目标检测创新改进与实战案例专栏
专栏目录： YOLO有效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
专栏链接: YOLO基础解析+创新改进+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。
task与yaml配置
详见：https://blog.csdn.net/shangyanaf/article/details/139212227
