基于D-Mixer与TransXNet的YOLOv8改进—融合全局-局部特征与空间降维注意力机制的CNN-ViT混合架构

随着目标检测任务对精度与效率要求的不断提升，传统的卷积神经网络(CNN)在建模长程依赖和复杂语义关系方面逐渐暴露出其局限性。而视觉Transformer(ViT)虽然在全局信息建模上表现优异，却因计算开销大、局部细节感知能力不足，在实时检测任务中难以直接部署。本文提出一种面向YOLOv8的创新架构改进方案 ，引入两个核心模块：D-Mixer(Dual-level Feature Mixer)与TransXNet(Transformed Cross-dimension Network)，分别实现多尺度特征的全局-局部信息聚合 与空间维度高效压缩 ，构建出一种CNN与ViT深度融合的混合架构 ，在保持高精度的同时兼顾检测速度。

🔥本文贡献亮点
在YOLOv8基础上，我们进行了两项核心模块级创新 ，并成功实现了模型性能的显著提升：

1. 重叠空间降维注意力（Overlapped Spatial Reduction Attention, OSRA）
2. 混合网络模块D-Mixer（Dual-level Feature Mixer）