YOLOv10改进 | 独家创新- 注意力篇 | YOLOv10结合全新多尺度动态增强注意力机制DSAttention(全网独家创新)

1. DSAttention介绍

DSAttention注意力机制在图像特征提取中具有以下优点：

          (1). 全局信息捕捉能力：DSAttention机制通过使用软注意力机制（Softmax Attention）来计算特征图的全局相关性。这种方式能够更好地捕捉图像中的全局信息，有助于增强对复杂场景或大尺度物体的识别能力。

           (2). 多尺度信息融合：该机制引入了多尺度卷积操作，包括不同大小的卷积核（如5x5、1x7、7x1、1x11、11x1、1x21、21x1）来提取不同尺度的特征。这些多尺度特征融合能够更全面地捕捉图像中不同尺寸的目标物体，提升特征的表达能力。

           (3). 方向信息捕捉：通过采用非对称卷积核（如1x7、7x1、1x11、11x1），该机制可以有效捕捉图像中的方向性信息。这种方向性信息对于检测和识别具有特定方向的物体非常重要，如道路标志等。

           (4). 通道注意力增强：DSAttention在进行多尺度卷积之前，利用池化操作结合1x1卷积进行通道注意力的计算，通过Adaptive Pooling层提取通道间的全局信息，并通过Sigmoid激活函数强化重要的特征通道，从而提升特征选择的精度。

           (5). 最终特征融合：该机制在多尺度卷积和注意力模块之后，使用1x1卷积进行最终特征的融合和压缩，从而有效地减少参数量和计算复杂度，并在保证特征表达能力的同时提高了模型的效率。

          综上DSAttention注意力机制通过结合多尺度卷积和软注意力机制，显著增强了模型的全局信息捕捉能力、尺度不变性和方向性特征提取能力，使得其在复杂场景下的图像特征提取任务中表现更加出色。