YOLOv10改进 | 注意力篇 | YOLOv10引入MLCA

1. MLCA介绍

1.1  摘要：注意力机制是计算机视觉中使用最广泛的组件之一，可以帮助神经网络强调重要元素并抑制不相关的元素。然而，绝大多数信道注意力机制只包含信道特征信息，忽略了空间特征信息，导致模型表示效果或目标检测性能较差，且空间注意力模块往往复杂且成本高昂。为了在性能和复杂度之间取得平衡，该文提出一种轻量级的混合局部信道注意力（MLCA）模块来提高目标检测网络的性能，该模块可以同时结合信道信息和空间信息，以及局部信息和全局信息，以提高网络的表达效果。在此基础上，提出了一种用于比较各种注意力模块性能的MobileNet-Attention-YOLO（MAY）算法。在Pascal VOC和SMID数据集上，MLCA在模型表示效果、性能和复杂性之间实现了更好的平衡，而不是其他注意力技术。在PASCAL VOC数据集上采用挤压和激励（SE）注意力机制，在SIMD数据集上采用坐标注意力（CA）方法，mAP分别提高了1.0%和1.5%。

官方论文地址：https://www.sciencedirect.com/science/article/abs/pii/S0952