YOLOv11 改进 - 注意力机制 | CPCA(Channel prior convolutional attention)通道先验卷积注意力：轻量级设计破解权重分布难题，增强小目标显著性

前言

本文介绍了通道先验卷积注意力（CPCA）机制及其在YOLOv11中的结合应用。CPCA结合通道注意力与空间注意力，通过多尺度深度可分离卷积模块，有效提取空间关系并保留通道先验。通道注意力学习各通道重要性，空间注意力捕捉特征图位置关系。我们将CPCA模块集成进YOLOv11，替换部分原有模块。实验表明，基于CPCA的CPCANet在医学图像分割任务中，用较少计算资源实现了优于先进算法的分割性能，展现了CPCA在目标检测领域的应用潜力。

文章目录： YOLOv11改进大全：卷积层、轻量化、注意力机制、损失函数、Backbone、SPPF、Neck、检测头全方位优化汇总

专栏链接: YOLOv11改进专栏

介绍

摘要

医学图像普遍呈现低对比度特征及显著的器官形态变异特性，现有注意力机制往往难以有效适应医学图像分割的性能提升需求。本文提出了一种高效的通道优先卷积注意力机制（CPCA），该机制能够在通道与空间维度上实现动态注意力权重分配。通过引入多尺度深度卷积模块，CPCA在有效提取空间关系的同时保持了通道优先的设计原则，具备关注信息丰富通道及关键区域的能力。基于CPCA架构，我们构建了专门针对医学图像分割任务的深度神经网络CPCANet。该网络在两个公开医学图像数据集上进行了系统性验证，实验结果表明，相较于当前最先进的算法，CPCANet在显著减少计算资源需求的条件下实现了分割性能的实质性提升。相关实现代码已在https://github.com/Cuthbert-Huang/CPCANet平台开源发布。

文章链接

论文地址：论文地址

代码地址：