YOLOv10改进 | 独家创新- 注意力篇 | YOLOv10引入结合PolarizedSelfAttention和ECA形成全新的EPSA注意力机制和C2f_EPSA（全网独家创新）

1. EPSA介绍

          EPSA 注意力机制在图像特征提取中的优异之处

          EPSA（ECA-PolarizedSelfAttention）注意力机制结合了ECA（Efficient Channel  Attention）和PolarizedSelfAttention两种注意力机制的优势，在图像特征提取方面表现出色。以下是EPSA注意力机制相比于单独的ECA和PolarizedSelfAttention在图像特征提取中的优异之处的详细描述：

         (1). 多维度特征捕捉

         ECA模块：
         ECA模块通过使用自适应平均池化（AdaptiveAvgPool2d）和一维卷积（Conv1d）来捕捉通道之间的依赖关系，主要关注的是通道维度上的特征关系。这种方式简单高效，但仅考虑了通道之间的相互作用，忽略了空间维度上的特征关系。

         PolarizedSelfAttention模块：
         PolarizedSelfAttention模块则通过两种自注意力机制（通道注意力和空间注意力）来捕捉图像的特征。通道注意力关注的是不同通道之间的依赖关系，而空间注意力则关注同一通道内不同位置之间的依赖关系。这样做虽然能够捕捉更多的特征，但计算复杂度较高，且通道和空间注意力的权重分配可能不够灵活。

         EPSA模块：
         EPSA模块将ECA和PolarizedSelfAttention结合在一起，通过ECA模块捕捉通道之间的关系，同时利用PolarizedSelfAttention模块进一步提取空间和通道的复杂依赖关系。EPSA模块通过可学习的权重参数（alpha）灵活地平衡ECA