YOLOv13改进策略【特征提取层】| 引入注意力卷积模块RFAConv，关注感受野空间特征 助力yolov13精度提升

一、本文介绍

本文记录的是利用RFAConv优化YOLOv13的目标检测网络模型。

标准卷积操作和空间注意力机制虽能解决一定的参数共享问题，但在大尺寸卷积核上应用注意力仍然存在缺陷，未充分考虑卷积核参数共享问题以及感受野中各特征的重要性。而RFAConv的出现旨在更全面地解决卷积核参数共享问题，关注感受野空间特征。本文利用RFAConv改进YOLOv13，并设计了不同的网络模型进行二次创新，以最大限度的发挥RFAConv的性能，精准有效的提高模型精度。

---

专栏目录：YOLOv13改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

专栏地址：YOLOv13改进专栏——以发表论文的角度，快速准确的找到有效涨点的创新点！

---

二、RFAConv介绍

RFAConv: Innovating Spatial Attention and Standard Convolutional Operation

RFAConv：创新空间注意力和标准卷积运算

2.1 出发点

• 解决卷积核参数共享问题：分析标准卷积操作和现有空间注意力机制后，发现空间注意力机制虽能解决一定的参数共享问题，但对于大尺寸卷积核存在局限。RFAConv旨在更全面地解决卷积核参数共享问题。
• 关注感受野空间特征：现有空间注意力机制如CBAM和CA仅关注空间特征，未充分考虑卷积核参数共享问题以及感受野中各特征的重要性。RFAConv的设计出发点是关注感受野空间特征，以提升网络性能。

2.2 原理

2.2.1 感受野空间特征的定义与生成

感受野空间特征是针对卷积核设计的，根据卷积核大小动态生成。以3×3卷积核为例，它由非重叠滑动窗口组成，每个窗口代表一个感受野滑块。