YOLOv10改进 | 独家创新- 注意力篇 | YOLOv10结合SpatialGroup注意力机制和LSKAtt形成全新的LSGE注意力机制和C2f_LSGE(全网独家创新)

1. LSGE介绍

          LSGE注意力机制在图像特征提取中的优点主要体现在以下几个方面：

          (1) 局部特征增强：
          LSGE模块通过SGE模块对输入特征进行局部增强。SGE模块将特征图分成若干组，并对每一组进行独立处理，利用全局平均池化获取每组的统计信息，并通过标准化和参数化调整，增强了特征图的局部响应，使得网络能够更好地捕捉到图像中的局部细节特征。

          (2) 多尺度信息融合：
           LSGE模块中的LSK注意力（LSKAtt）机制通过使用不同卷积核大小（如5x5、7x7等）和不同扩张率的卷积操作，提取输入特征的多尺度信息。这样可以有效捕捉到图像中的多尺度特征，提高模型对不同尺寸目标的感知能力。

          (3) 空间特征聚合：
           LSK注意力机制进一步通过全局平均池化和全局最大池化，将多尺度特征图进行聚合，并通过卷积操作进行融合，生成最终的注意力图。这个注意力图能够自适应地调整输入特征的权重，从而突出重要的特征区域，抑制不相关的信息，提高特征图的表达能力。

           (4) 计算效率高：
            LSGE模块在设计上充分考虑了计算效率问题。SGE模块通过分组操作，减少了计算复杂度&