YOLO26改进19：C3k2融合MLCA：同时融合通道信息与空间信息、局部信息与全局信息，从而增强网络表达能力

论文介绍

注意力机制是计算机视觉领域应用最广泛的组件之一，能帮助神经网络强化关键特征并抑制无关信息。然而，绝大多数通道注意力机制仅包含通道特征信息而忽略空间特征信息，导致模型表征效果或目标检测性能不佳，且现有空间注意力模块往往结构复杂、计算成本高昂。为权衡性能与复杂度，本文提出一种轻量级混合局部通道注意力（MLCA）模块以提升目标检测网络性能，该模块能同时融合通道信息与空间信息、局部信息与全局信息，从而增强网络表达能力。基于此，提出用于对比各类注意力模块性能的MobileNet-Attention-YOLO（MAY）算法。在Pascal VOC和SMID数据集上，MLCA相比其他注意力技术在模型表征效能、性能与复杂度间取得了更优的平衡。相较于PASCAL VOC数据集上的Squeeze-and-Excitation（SE）注意力机制和SIMD数据集上的Coordinate Attention（CA）方法，平均精度（mAP）分别提升了1.0%和1.5%。

文章地址：地址

改进步骤

步骤1

在ultralytics\nn\extra_modules\block