YOLO26改进策略【Conv和Transformer】| CVPR2025 CATANet LRSA局部区域自注意力 重叠分块交互 + 共享多头权重，精细复原图像纹理细节

一、本文介绍本文记录的是利用LRSA局部区域自注意力优化YOLO26的目标检测网络模型。LRSA（Local-Region Self-Attention）通过重叠滑动窗口分块、全局共享多头注意力与通道卷积增强结合，实现图像邻域像素精细上下文交互，弥补长程聚合模块缺失的局部纹理信息。本文利用LRSA模块，采用重叠窗口划分特征消除分块边界断层问题，所有窗口复用QKV权重降低模型开销，在每个局部窗口内执行多头自注意力挖掘像素间纹理关联，最后通过ConvFFN完成通道维度特征提纯并引入残差连接保留原始特征，针对性强化图像边缘、线条、细微纹理等高频细节特征，抑制窗口分割带来的模糊伪影，在特征建模阶段实现全局长程依赖与局部精细信息高效互补，避免固定窗口注意力的边界失真缺陷，显著提升模型的图像视觉清晰度。专栏目录：YOLO26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：YOLO26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！文章目录一、本文介绍二、LRSA介绍2.1 设计出发点2.2 模块结构2.3 模块优势三、LRSA的实现代码四、创新模块4.1 改进点14.2 改进点2⭐五、添加步骤5.1 修改一5.2 修改二5.3 修改三六、yaml模型文件6.1 模型改进版本一6.2 模型改进版本二⭐七、成功运行结果二、LRSA介绍2.1 设计出发点轻量化图像超分网络中，仅依靠长程聚合注意力会丢失像素级局部纹理、边缘细节；传统固定窗口注意力采用无重叠分块，块边界出现特征断裂，细节重建精度差。TAB模块负责全局长程依赖建模，但缺少精细局部上下文交互，无法复原图片细微纹理、线条等高频细节。因此设计LRSA局部区域自注意力，采用重叠分块策略强化邻域像素交互，专门补充局部精细特征，平衡全局长程信息与局部细节重建需求。2.2 模块结构LR（Local-Region Self-Attention）局部区域自注意力：重叠分块划分：对输入特征做重叠滑动窗口分块，消除窗口边界特征割裂问题；共享多头自注意力：所有窗口共用Q/K/V权重矩阵，降低参数量与计算开销；块内精细交互：每个窗口内部执行多头自注意力，挖掘邻域像素纹理关联；融合输出+ConvFFN：拼接所有窗口输出，通道卷积完成通道维度特征增强，搭配层归一化与残差连接稳定训练。2.3 模块优势细节重建强