YOLOv13涨点改进 | 全网独家创新、HyperACE改进、注意力改进篇 | ICLR 2025 | YOLOv13引入TSSA一种新的注意力模块，适合多尺度处理和复杂场景的高效特征提取

一、本文介绍

🔥本文给大家介绍使用TSSA模块改进YOLOv13网络模型。它通过基于统计量的特征交互，而非计算token间的相似度，降低了计算复杂度至线性，从而使模型能够处理长序列或高分辨率图像而不增加计算负担。此外，TSSA提高了模型的可解释性，增强了多任务适应性，且在不牺牲精度的情况下，提升了检测效率，特别适用于实时目标检测任务。

展示部分YOLOv13改进后的网络结构图：

🚀 创新改进结构图:  yolov13n_HyperACE_TSSA.yaml

专栏改进目录：YOLOv13改进包含各种卷积、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、HyperACE二次创新、独家创新等几百种创新点改进。

全新YOLOv13创新改进专栏链接：全新YOLOv13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、TSSA模块介绍

2.1 TSSA模块结构图

2.2 TSSA模块的作用：

2.3 TSSA模块的优势

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 : yolov13n_HyperACE_TSSA.yaml

🚀 创新改进2 : yolov13n_TSSA.yaml

🚀 创新改进3 : yolov13n_DSC3k2_TSSA.yaml

六、正常运行

二、TSSA模块介绍

摘要：注意力操作符无疑是Transformer架构的关键特征，Transformer在多种任务中展现了最先进的性能。然而，Transformer的注意力操作符通常会带来显著的计算负担，其计算复杂度随着token数量的增加呈二次增长。本文提出了一种新的Transformer注意力操作符，其计算复杂度随着token数量的增加呈线性增长。我们通过扩展先前的工作，推导出一种新的网络架构，这些工作表明，Transformer风格的架构自然通过“白盒”架构设计产生，其中网络的每一层都旨在实现最大化编码速率缩减目标（MCR2）的增量优化步骤。具体而言，我们推导出一种MCR2目标的变分形式，并展示了通过对这一变分目标进行展开梯度下降，得到了一种新的注意力模块，称为Token Statistics Self-Attention（TSSA）。TSSA具有线性计算和内存复杂度，并且与传统的计算token之间成对相似性的注意力架构有着根本性的不同。我们在视觉、语言和长序列任务上的实验表明，仅仅将TSSA替换为标准的自注意力操作符（我们称之为Token