YOLOv9改进系列，YOLOv9添加LSK注意力机制,实现高效涨点

---

改进前：

改进后的结果，有效涨点，map50这个值涨了

---

前言

带有大内核注意力模块的视觉注意力网络，在一系列基于视觉的任务中，其性能明显优于视觉变换器。然而，这些 LKA 模块中的深度卷积层但是，这些 LKA 模块中的深度卷积层在计算和内存占用方面会产生四次方随着卷积核大小的增大卷积核的大小。为了缓解这些问题，并为了缓解这些问题，并在 VAN 的注意力模块中使用超大卷积核为了缓解这些问题，并在 VAN 的注意力模块中使用超大卷积核，我们提出了一系列大分离核注意力模块（Large Separa-内核注意模块，称为 LSKA。LSKA深度卷积层的二维卷积核为层叠的水平和垂直一维内核。与标准的 LKA 设计不同的是，所提出的分解方法能够与标准的 LKA 设计不同的是，所提出的分解方法可以在注意力模块中直接使用具有大内核的深度卷积层。核的深度卷积层，而无需任何额外的块，拟议的 LSKA 模块在中的拟议 LSKA 模块可以达到与标准性能，而且计算复杂度和内存占用更低。内存占用。我们还发现，