pick1

# 前言 本文介绍了可变形大核注意力（D-LKA Attention）及其在YOLOv11中的结合。D-LKA Attention是一种简化的注意力机制，采用大卷积核利用体积上下文信息，通过可变

# 前言 本文介绍了将双坐标注意力特征提取（DCAFE）模块与YOLOv11相结合的方法。DCAFE模块采用“并行坐标注意力+双池化融合”设计，通过平均池化和最大池化并行支路捕获特征，经通道自适应

# 前言 本文介绍了Deformable Attention Transformer（DAT）及其在YOLOv11中的结合应用。DAT是一种用于图像分类和密集预测任务的通用主干模型，其核心是可变形

# 前言 本文介绍了通道先验卷积注意力（CPCA）机制及其在YOLOv11中的结合应用。CPCA结合通道注意力与空间注意力，通过多尺度深度可分离卷积模块，有效提取空间关系并保留通道先验。通道注意力

# 前言 本文介绍了Contextual Transformer（CoT）块及其在YOLOv11中的结合应用。大多数现有Transformer风格架构设计未充分利用邻近键之间的上下文信息，而Co

# 前言 本文介绍了Coordinate Attention（坐标注意力）机制及其在YOLOv11中的结合应用。坐标注意力机制将位置信息嵌入通道注意力，通过坐标信息嵌入和坐标注意力生成两个步骤，

# 前言 本文介绍了CONTAINER（上下文聚合网络）及其在YOLOv11中的结合应用。CONTAINER是一个多头上下文聚合的通用构建模块，提供了统一视角，将CNNs、Transform

# 前言 本文介绍了内容引导注意力融合模块（CGAFusion）在YOLOv11中的结合应用。CGAFusion由通道注意力、空间注意力和特征融合组成，通过生成通道特定的空间重要性图，有效处理特征非

# 前言 本文介绍了卷积块注意力模块（CBAM）及其在YOLOv11中的集成。CBAM是一种用于CNN的注意力机制，通过依次在通道和空间维度推断注意力图，自适应优化输入特征图。该模块轻量通用，可无