YOLOv11改进 | 注意力篇 | YOLOv11引入FocalModulation注意力机制

1. FocalModulation介绍

1.1  摘要：我们提出焦点调制网络（简称 FocalNets），其中自注意力（SA）完全被焦点调制模块取代，用于建模视觉中的令牌交互。 焦点调制包含三个部分：(i) 焦点上下文化，使用一堆深度方向的卷积层实现，对从小范围到长范围的视觉上下文进行编码，(ii) 门控聚合，有选择地将上下文收集到每个查询标记的调制器中， (iii)逐元素仿射变换以将调制器注入到查询中。 大量实验表明，FocalNet 表现出非凡的可解释性（图 1），并且在图像分类、对象检测和分割任务上以相似的计算成本优于 SoTA SA 同类产品（例如 Swin 和 Focal Transformers）。 具体来说，具有微小尺寸和基本尺寸的 FocalNet 在 ImageNet-1K 上可以达到 82.3% 和 83.9% 的 top-1 精度。 在 ImageNet-22K 上以 2242 分辨率进行预训练后，在以 2242 和 3842 分辨率进行微调时分别获得 86.5% 和 87.3% 的 top-1 准确率。 对于使用 Mask R-CNN [29] 进行的目标检测，使用 1× 训练的