意力机制 | 添加Deformable-LKA可变形大核注意力
意力机制 | 添加Deformable-LKA可变形大核注意力
改进是，Deformable_LKA可变形大核注意力
集合大卷积核，的广阔感受野和可变形卷积层的灵活性，有效的处理复杂视觉信息，
机制通过动态的 调整卷积核的大小和形状，去适应不同的图像特征，进而去提高模型适应性
在yoloV8中，Deformable_LKA可用来对于提升小目标和不规则形状的目标检测能力
对于3D方向，引入大核注意力机制D_LKA概念
这是采用大卷积核的注意力机制，能够充分理解上下文
该机制在类似于自注意力机制的感受野允许，能降低计算量，
提出的注意力机制收益五可变形卷积来灵魂或的扭曲采样网络，。
让模型能够适当的适应不同的数据模式，
，引入变形大核注意力机制D_LKA，概念
是采用大卷积核的注意力机制
更好去理解上下文， 在类似于自注意力的感受野运行
降低计算量
我们的注意力机制受益于可不按行卷积可以去灵活的扭曲，采样网络模型，可以更好的适应不同的数据模型
二、D_LKA模原理
原理是结合大卷积核的大感受野和可变形卷积的灵活性质的机制
1、通过采用大卷积核来模拟类似自我关注的感受野，降低计算量
2、库编写卷积去灵活的调整采样网络模型，。更好适应不同的数据集
1、大卷积核，D_LKA 使用大卷积核去捕获上下文的信息，更宽的感受野
2、可变形卷积，结合可变形卷积技术，允许模型的采样网络去根据图像特征灵活的改变
3、2D，3D适应性，D_LKA的两个版本，在处理不同深度数据时
三、大卷积核，
利用捕获图像广泛的上下文信息机制，模型自注意力机制的感受野，去使用更少的参数核计算量，
通过使用，深度可分离的卷积，和深度可分离的带扩张的卷积两种
去有效的构建大卷积核，
该方法允许网络在较大的感受野内学习特征，
如图，变形大核注意力机制，D_LKA 模块架构
1、标准的2D卷积核
2、带偏移量的变形卷积，允许网络模型根据输入的特征自适应的调整感受野
3、偏移量的计算，由标准卷积层生成，主要用于知道变形卷积层的如何调整采样位置
4、激活函数，增加模型的非线性能力
3可变卷积
增强模型对不规则物体的捕获能力，可变形卷积通过添加额外的偏移量去调整便准卷积的采样位置，允许卷积核动态的去适应图像的内容
该机制能够是的卷积层去灵活的捕获更重形态的结构‘，通过图像信息去动态的增加偏移量，可变形卷积能够提高自视用的内核形状，有主意提高分割精准性
4、2D 3D 适应
时D_LKA技术对于不同维度数据的能力适应性
，2D D_LKA模型，针对二位数据的设计，常用于医学成像方面呢
3D D_LKA模型扩展了技术，能够去处理三位数据集，充分立体图像体积的数据中的上下文信息，去交叉加深数据的深度理解，尤其，在多个层面分析核识别图像的特征，在医学冲构建 3D图由大用处
-
3D D-LKA模型（左侧）： 包含多个3D D-LKA块，这些块在下采样和上采样之间交替，用于深度特征学习和分辨率恢复。
-
2D D-LKA模型（右侧）： 利用MaxViT块作为编码器组件，并在不同的分辨率级别上使用2D D-LKA块，通过扩展（Patch Expanding）和D-LKA注意力机制进行特征学习。
