YOLOv11改进 | 独家创新- 注意力篇 | YOLOv11引入跨层级通道注意力[CLCA (Cross-Level Channel Attention)]，并构建C2PSA_CLCA(独家创新)

1. CLCA (Cross-Level Channel Attention)介绍

（1）. CLCA模块的原理：

CLCA（Cross-Level Channel Attention）模块是跨层级的通道注意力机制，旨在通过对不同层次的特征进行加权，提升模型对多尺度信息的学习能力。CLCA模块主要包含以下几个核心部分：

1.1 全局上下文捕获：

• 在CLCA模块中，首先通过一个 AvgPool2d 层进行全局平均池化，提取输入图像的全局上下文信息。这一步的目的是对输入图像进行空间上的压缩，从而捕获低级和高级特征之间的全局依赖关系。全局平均池化有助于减小特征图的尺寸，使得模型能够更加专注于图像的全局模式。

1.2 通道卷积操作：

• 模块中的 Conv1 和后续的 level_convs 操作，目的是提取输入图像的局部特征。Conv1 用于在图像特征图上应用卷积，提取低级特征，level_convs 是多层卷积操作，用于进一步处理图像的不同层次的细节。每一层的卷积层都有助于提取不同层次的信息，这些信息会融合进最终的注意力机制中。