YOLOv13改进策略【Neck】| CVPR2024 LGAG：大核分组注意力门模块，3×3分组卷积与注意力协同的特征精准融合

一、本文介绍

本文记录的是利用LGAG 模块改进 YOLOv13 的颈部融合部分。

LGAG（Large-kernel Grouped Attention Gate）通过3×3分组卷积与注意力机制结合，引导解码器处理特征与跳接特征的精准融合。本文利用LGAG模块，通过3×3分组卷积扩大感受野以捕捉更广泛局部空间上下文，同时结合注意力机制生成自适应注意力系数，对YOLOv13中关键目标特征赋予高激活值、抑制冗余背景特征，在特征融合阶段实现全局语义与局部细节的高效结合，减少计算成本的同时提升特征表达能力，增强模型对复杂场景下目标的检测精度与效率。

---

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、LGAG模块介绍

EMCAD:Efficient Multi-scale Convolutional Attention Decoding for Medical Image Segmentation

LGAG模块设计的出发点、结构与原理

一、设计出发点

在医学图像分割的解码器中，需将经解码器处理的特征与跳接连接（skip connection）传递的特征融合，以结合全局语义与局部细节信息。传统方法（如Attention UNet）采用1×1卷积处理门控信号与输入特征，存在两方面局限：一是1×1卷积感受野小，难以捕捉较大范围的局部空间上下文，影响关键区域的特征聚焦；二是部分融合方案（如CASCADE）使用高成本卷积块，导致计算冗余，限制模型在资源受限场景的应用。

为解决上述问题，LGAG（Large-kernel Grouped Attention Gate，大核分组注意力门）模块被设计，核心目标是在降低计算成本的同时，通过大核分组卷积扩大感受野，更精准地捕捉局部空间关系，实现有效特征融合，提升精度。

2.2 结构

LGAG模块主要包含特征处理、归一化与激活、注意力系数生成、特征缩放四个核心环节，具体结构如下：

1. 特征处理：针对来自跳接连接的门控信号（g）与上采样后的输入特征（x），分别应用3×3分组卷积（