YOLO11改进|YOLO11中引入注意力和卷积融合模块CAFMAttention

红外小目标实现涨点，只有几个像素的小目标识别率提升明显

本文深入解析了CAFM交叉注意力融合模块在多模态特征处理中的创新应用。通过通道和空间双重注意力机制，CAFM实现了特征间的动态交互，显著提升了高光谱图像分类、医疗影像分析等场景的融合效果。相比传统加权方法，这种机制能自动学习最优融合策略，特别适合处理CNN与GCN等异构数据。

在NEU-DET案列进行可行性验证，1）mAP50从0.683提升至0.698；2）mAP50从0.683提升至0.695;

YOLOv9全网最新改进系列：融合最新顶会提出的HCANet网络中卷积和注意力融合模块(CAFM)，有效提升小目标检测性能，大幅度拉升目标检测效果！遥遥领先！

CAFM 的基本思想是将卷积和注意力机制结合，卷积操作擅长捕捉局部特征，但难以建模全局特征和长距离依赖关系。： 注意力机制擅长提取全局特征，但忽略了局部特征，例如像素之间的空间相邻关系。论文考虑到卷积和注意力机制在特征建模方面具有互补性，结合两者可以更全面地捕捉HSI的局部和全局特征，所以提出一种。： 卷积操作擅长捕捉局部特征，但感受野有限，难以建模长距离依赖关系，例如空间上相隔较远的像素之间的关联性。： HSI包含丰富的空间和光谱信息，仅依靠卷积或注意力机制难以充分建模其复杂的特征。

摘要——高光谱图像（HSI）去噪对于高光谱数据的有效分析和解释至关重要。然而，同时建模全局和局部特征以增强HSI去噪的研究却很少。在本文中，我们提出了一种混合卷积和注意力网络（HCANet），该网络结合了卷积神经网络（CNN）和Transformers的优势。为了增强全局和局部特征的建模，我们设计了一个卷积和注意力融合模块，旨在捕捉长距离依赖关系和邻域光谱相关性。此外，为了改进多尺度信息聚合，我们设计了一个多尺度前馈网络，通过在不同尺度上提取特征来增强去噪性能。

创新点：卷积和注意力巧妙设计

卷积和注意力融合模块(CAFMAttention)，增强对全局和局部特征的提取能力，2024年最新的改进思路

💡💡💡多个私有数据集涨点明显，如缺陷检测、农业病害检测等；

卷积和注意力融合模块(CAFMAttention)，增强对全局和局部特征的提取能力

卷积和注意力融合模块(CAFMAttention)，增强对全局和局部特征的提取能力，2024年最新的改进思路

YOLOv8最新改进系列：YOLOv8+BiFormer（CVPR 2023最新提出），基于动态稀疏注意力构建高效金字塔网络架构，用动态、查询感知的方式实现计算的有效分配，嘎嘎提升目标检测效果！

作者丨小马 编辑丨极市平台 导读 基于双重注意力机制，本文针对Pixel-wise regression的任务，提出了一种更加精细的双重注意力机制——极化自注意力。在人体姿态估计和语义分割任务上，作者将它用在了以前的SOTA模型上，并达到了新的SOTA性能，霸榜COCO人体姿态估计和Cityscapes语义分割。 写在前面 注意力机制是一个被广泛应用在各种CV任务中的方法。注意力机制根据施加的维度大致可以分为两类：通道注意力和空间注意力。对于通道注意力机制，代表性的工作有SENet[2]、EC

CAF-YOLO通过。

摘要：本文提出了一种用于高光谱快照压缩成像（SCI）的双阶段多尺度Transformer（DSMT）方法，其核心创新是交叉注意力融合模块（CAFM）。CAFM通过通道交叉注意力和空间注意力协同机制，实现双分支特征的深度交互与融合，解决了传统双分支方法交互不足的问题。实验表明，该模块能有效提升重建质量，适用于各类双分支/双模态特征融合任务。模块采用"通道统计→交叉注意力→空间筛选→融合输出"四步流程，代码已开源，可灵活集成到多种视觉任务中。

本文提出HCANet模型，并将其核心的CAFMAttention模块集成到YOLOv8中用于目标检测。传统方法在高光谱图像去噪时，对全局和局部特征的同时建模研究较少。HCANet采用U型网络结构，包含CAFM和MSFN模块。CAFM模块的局部分支用卷积和通道重排提取局部特征，全局分支用注意力机制捕获长距离依赖；MSFN模块通过并行扩张卷积实现多尺度信息聚合。我们将CAFMAttention代码集成到YOLOv8中。实验表明，改进后的YOLOv8在及目标检测任务中表现良好，验证了模型有效性。

1.FCAttention介绍1.1 摘要：近年来，无监督算法在图像去雾方面取得了显著的效果。然而，CycleGAN框架会因数据分布不一致而导致生成器学习混乱，而DisentGAN框架对生成的图像缺乏有效约束，导致图像内容细节丢失和颜色失真。此外，Squeeze和Excitation通道仅利用完全连通的层来获取全局信息，缺乏与局部信息的交互，导致用于图像去雾的特征权重分配不准确。针对上述问题，本文提出了一种无监督双向对比重构自适应细粒度信道注意力网络（UBRFCNet）。

YOLOv12最新创新改进系列：融合最新顶会提出的HCANet网络中卷积和注意力融合模块(CAFM-2024年3月15月开源)，有效提升YOLOv12小目标检测性能，大幅度拉升目标检测效果！