YOLOv11改进 | 独家创新- 注意力篇 | YOLOv11引入GAM和LinearAttention结合之LGAM注意力(全网独家创新)

1. LGAM介绍

          LGAM（Linear Global Attention Module）和GAM（Global Attention Module）是两种用于图像特征提取的注意力机制。它们在设计上有一些显著的差异，这使得LGAM在某些方面比GAM更具优势。

         LGAM的设计与改进:

        (1). 线性注意力机制的引入
        LGAM在其设计中引入了线性注意力机制。具体来说，它使用了LinearAttention类来计算通道间的注意力。线性注意力机制相比传统的全局注意力机制有两个主要优势：

         计算效率更高：线性注意力通过降低计算复杂度，使得注意力计算更加高效，尤其是在处理高分辨率图像时，这一点尤为重要。
减少内存占用：线性注意力在计算过程中减少了中间结果的存储需求，从而节省了显存，适合在资源受限的环境中使用。

         (2). 更细粒度的通道间交互
         在LGAM中，通过`self.linear1`和`self.linear2`实现的两层全连接网络，对输入特征进行了降维和恢复，这种设计使得通道间的交互更加细粒度。具体步骤如下：

         首先，输入特征经过第一层线性变换`self.linear1`，降低了特征维度