YoloV8改进策略：Agent Attention|Softmax与线性注意力的融合研究|有效涨点|代码注释与改进|全网首发（唯一）

摘要

涨点效果：在我自己的数据集上，mAP50 由0.986涨到了0.991，mAP50-95由0.737涨到0.753，涨点明显！

本文提出了一种新型的注意力机制——Agent Attention，旨在平衡计算效率和表示能力。该机制在传统的注意力模块中引入了额外的agent tokens A，这些agent tokens首先为query tokens Q聚合信息，然后将其广播回Q。由于agent tokens的数量可以设计得远小于query tokens，因此Agent Attention在保持全局上下文建模能力的同时，显著提高了计算效率。有趣的是，所提出的agent attention等价于一种广义线性注意力，Agent Attention在各种视觉Transformer和各种视觉任务中都表现出了有效性，包括图像分类、目标检测、语义分割和图像生成。特别是在高分辨率场景中，由于其线性注意力的特性，Agent Attention表现出卓越的性能。当应用于Stable Diffusion时，我们的agent attention加速了生成过程，并显著提高了图像生成质量，而无需任何额外训练。

我尝试将Agent Attention加入到YoloV8中，实现了高效的涨点。

论文《Agent Attention：Softmax与线性注意力的融合研究》

https://arxiv.org/pdf/2312.08874.pdf
在Transformer中，注意力模块是其关键组件。虽然全局注意力机制提供了高度的表达能力，但其过高的计算成本限制了其在各种场景下的应用。本文提出了一种新颖的注意力范式࿰