YOLOv11涨点改进 | 全网独家创新、注意力改进篇 | CVPR 2025 | 引入LRSA局部区域自注意力模块，能提升其在细节捕捉、小目标检测和长距离依赖建模方面的能力

一、本文介绍

本文给大家介绍将LRSA局部区域自注意力模块应用于YOLOv11，能提升其在细节捕捉、小物体检测和长距离依赖建模方面的能力，同时减少计算复杂度。LRSA增强局部特征交互，改善复杂背景下的检测精度，并保持较高的推理效率，特别适用于实时目标检测任务。具体怎么使用请看全文！

展示部分YOLOv11改进后的网络结构图：

🚀 创新改进1结构图 : yolov11n_LRSA.yaml

专栏改进目录：YOLOv11改进专栏包含卷积、主干网络、各种注意力机制、检测头、损失函数、Neck改进、小目标检测、二次创新模块、C2PSA/C3k2二次创新改进、全网独家创新等创新点改进

全新YOLOv11-发论文改进专栏链接：全新YOLOv11创新改进高效涨点+永久更新中（至少500+改进）+高效跑实验发论文

本文目录

一、本文介绍

二、LRSA模块介绍

2.1 LRSA模块结构图

2.2 LRSA模块的作用：

2.3 LRSA模块的优势：

2.4  LRSA模块的原理

三、完整核心代码

 四、手把手教你配置模块和修改task.py文件

1.首先在ultralytics/nn/newsAddmodules创建一个.py文件

2.在ultralytics/nn/newsAddmodules/__init__.py中引用

3.修改task.py文件

五、创建涨点yaml配置文件

🚀 创新改进1 : yolov11n_LRSA.yaml

🚀 创新改进2 : yolov11n_C3k2_LRSA.yaml

六、正常运行

二、LRSA模块介绍

摘要：基于变换器的方法在低级视觉任务（如图像超分辨率，SR）中展示了令人印象深刻的表现。然而，它的计算复杂度随着空间分辨率的增加而呈二次增长。为了缓解这一问题，一系列工作尝试通过将低分辨率图像划分为局部窗口、轴向条带或膨胀窗口来进行处理。SR通常利用图像中的冗余信息进行重建，这种冗余不仅出现在局部区域，还出现在长距离区域。然而，这些方法将注意力计算限制在内容无关的局部区域，直接限制了注意力捕捉长距离依赖的能力。为了应对这些问题，我们提出了一种轻量级的内容感知Token聚合网络（CATANet）。具体而言，我们提出了一种高效的内容感知Token聚合模块，用于聚合长距离内容相似的Token，该模块在所有图像Token之间共享Token中心，并仅在训练阶段更新这些Token中心。然后，我们利用组内自注意力来实现长距离信息交互。此外，我们设计了组间交叉注意力，以进一步增强全局信息交互。实验结果表明，与最先进的基于集群的方法SPIN相比，我们的方法在PSNR上提高了最大0.33dB，且推理速度几乎加倍。