YOLOv13最新改进创新系列：高阶创新——如何手搓自己的原创性注意力模块！二次、三次orN次创新模块？最简洁明了的教程来了！！！包教包会！！

购买相关资料后畅享一对一答疑！

畅享超多免费持续更新且可大幅度提升文章档次的纯干货工具！

GhostConv原文

详细的改进戳这里！！！本文仅略读使用论文地址GhostNet: More Features from Cheap Operations

---

CBAM（Convolutional Block Attention Module）和AKConv（可改变核卷积）是两种分别从“注意力”和“卷积核”角度进行创新的模块。将它们结合使用，可以构建出更强大、更灵活的卷积神经网络。其核心优势在于同时实现了对“特征重要性”和“空间结构建模”的双重增强。

下面我们分解一下各自的优势和结合后的协同效应：

1. 核心模块简介

• CBAM的优势：它是一种轻量级的注意力机制，包含两个子模块：

  • 通道注意力：学习不同特征通道的重要性，让网络更关注“哪些特征更有用”。（回答“What”）
  • 空间注意力：学习特征图在空间位置上的重要性，让网络更关注“特征图的哪些区域更重要”。（回答“Where”）
  • 本质：是一种自适应的特征选择器，能动态提升重要特征、抑制无关特征。

• AKConv的优势：它是一种对标准卷积核的根本性改进。

  • 任意形状与大小的卷积核：摆脱了传统卷积核必须是矩形（如3x3）的限制，可以初始化为任意形状（如圆形、十字形、甚至不规则点集）。
  • 动态参数化：在训练过程中，卷积核的采样点坐标（偏移）和权重都是可学习的，能够自适应地调整到与当前任务最匹配的空间结构。
  • 本质：是一种自适应的空间结构建模器，能更灵活、更有效地捕捉目标复杂多变的几何特征。

2. CBAM + AKConv 的协同优势

当这两个模块结合时（例如，将CBAM插入到由AKConv构成的卷积块之后），它们能产生“1+1>2”的效果：

优势一：更精细、更智能的特征提取

1. 流程：AKConv提取特征 -> CBAM进行精炼。
2. 解释：AKConv首先以其灵活的非矩形感受野捕获图像中更契合目标几何结构的初级特征。随后，CBAM对这些特征进行“提纯”——在通道维度上强化与任务最相关的特征图，在空间维度上聚焦于目标所在的精确区域。这形成了一个 “粗粒度自适应结构提取 + 细粒度自适应特征选择” 的管道，使特征提取过程更加智能。

优势二：显著增强的空间建模能力

1. AKConv 解决了“卷积核形状固化”的问题，使其能适应不规则物体（如旋转的轮胎、树枝等）。
2. CBAM的空间注意力 解决了“空间权重均等”的问题，使其能聚焦于局部关键区域。
3. 结合效果：网络同时具备了 “从何处（Where）采样信息” （AKConv的动态采样点）和 “对采样到的信息赋予多少权重” （空间注意力）的双重自适应能力。这对于复杂场景下的目标检测、分割任务尤其有效。

优势三：更高的参数效率与性能提升

• 两者都是轻量级模块。AKConv通过更高效的卷积核结构来提升性能，CBAM通过极少的参数计算注意力来提升性能。
• 将它们结合，意味着用较小的参数增量，换来了特征表示能力的倍增。在主流视觉任务（ImageNet分类、COCO检测/分割）的实验中，这种组合通常能稳定地超越仅使用标准卷积、或单独使用其中一种模块的基线模型。

优势四：卓越的任务适应性

• 对于密集预测任务（如语义分割）：AKConv能更好地捕捉物体的边界和形状，CBAM则能帮助模型聚焦于语义关键区域，减少背景干扰。
• 对于检测任务（如目标检测）：AKConv有助于建模不同尺度和姿态的目标，CBAM可以帮助检测头关注提议区域内的有效特征。
• 对于分类任务：组合能帮助网络更精准地定位判别性区域（如鸟的头部、车的轮胎），并学习最具鉴别力的特征通道。

总结

CBAM + AKConv 的组合，代表了卷积神经网络优化中两个核心方向的融合：

• AKConv 从 “硬件” 层面革新了卷积核这个基本计算单元，使其更灵活。
• CBAM 从 “软件” 层面增加了特征调度的智能性，使其更聚焦。

结合优势在于：通过自适应空间采样（AKConv）与自适应特征权重（CBAM）的协同作用，构建了一个既能“看清”复杂结构，又能“专注”关键信息的强大特征提取器，从而在多种视觉任务上实现更优的性能，且保持了较高的计算效率。 这是当前轻量级网络设计和性能提升的一个非常有效的策略。

三、手搓新模块教程

跟着视频一步一步操作！

写在最后

学术因方向、个人实验和写作能力以及具体创新内容的不同而无法做到一通百通，关注UP：Ai学术叫叫兽
在所有B站资料中留下联系方式以便在科研之余为家人们答疑解惑，本up主获得过国奖，发表多篇SCI，擅长目标检测领域，拥有多项竞赛经历，拥有软件著作权，核心期刊等经历。
因为经历过所以更懂小白的痛苦！
因为经历过所以更具有指向性的指导！

祝所有科研工作者都能够在自己的领域上更上一层楼！

以下为给大家庭小伙伴们免费更新过的绘图代码，均配有详细教程，超小白也可一键操作! 后续更多提升文章档次的资料的更新请大家庭的小伙伴关注UP：Ai学术叫叫兽！