YOLOv5改进：在C3模块不同位置添加SegNext_Attention

1.该文章属于YOLOV5/YOLOV7/YOLOV8改进专栏，包含大量的改进方式，主要以2023年的最新文章和2022年的文章提出改进方式。
2.提供更加详细的改进方法，如将注意力机制添加到网络的不同位置，便于做实验，也可以当做论文的创新点。

3.涨点效果：D-LKA Attention注意力机制,实现有效涨点！

 

我们提出了SegNeXt，一个简单的语义卷积网络架构分割。近年来，基于变换的语义分割模型由于其在空间编码中的自注意性而在语义分割领域占据主导地位信息。在本文中，我们证明了卷积注意是一种更有效的方法变压器中的自注意机制是对上下文信息进行编码的有效途径。通过重新审视成功者所拥有的特点在分割模型中，我们发现了导致分割模型性能改进的几个关键组件。这促使我们去设计一部小说使用廉价卷积运算的卷积注意力网络。没有我们的SegNeXt功能大大提高了以前的性能最先进的方法，包括ADE20K, cityscape，COCO-Stuff, Pascal VOC, Pascal Context和iSAID。值得注意的是，SegNeXt在Pascal上的性能优于使用NAS-FPN的EfficientNet-L2，达到了90.6%的mIoUVOC 2012测试排行榜只使用它的1/10参数。平均而言，SegNeXt与最先进的方法相比，实现了约2.0%的mIoU改进在ADE20K数据集上使用相同或更少的计算。代码是可用的。