051、YOLOv11改进-引入DEA动态集成注意力模块即插即用提升多尺度特征融合能力涨点实验踩坑实录：小目标检测的“注意力困境”上个月调一个无人机航拍数据集，小目标AP愣是卡在0.23上不去。试了CBAM、SE、CA这些常规注意力，要么参数量涨得离谱，要么小目标召回率纹丝不动。最气人的是，可视化特征图发现——模型在浅层特征上注意力权重几乎均匀分布，该聚焦的小目标区域反而被背景淹没了。后来翻到一篇ECCV的论文，提到“动态集成注意力”（Dynamic Ensemble Attention），思路很直接：不同尺度的特征需要不同粒度的注意力机制，强行用同一套注意力权重去处理多尺度特征，本质上是把模型逼成“近视眼”。DEA的核心是让每个尺度特征自己“投票”选择最合适的注意力模式，而不是像传统方法那样一刀切。DEA模块到底在干什么先看结构。DEA不是单一注意力，而是三个并行分支的集成：通道注意力（捕捉“是什么”）、空间注意力（捕捉“在哪里”）、以及一个动态门控（决定前两个分支的融合比例）。关键创新在于这个门控——它不是固定的，而是根据输入特征的统计特性（比如均值、方差）自适应调整。classDynamicEnsembleAttention(n
051、YOLOv11改进-引入DEA动态集成注意力模块即插即用提升多尺度特征融合能力涨点实验踩坑实录：小目标检测的“注意力困境”上个月调一个无人机航拍数据集，小目标AP愣是卡在0.23上不去。试了CBAM、SE、CA这些常规注意力，要么参数量涨得离谱，要么小目标召回率纹丝不动。最气人的是，可视化特征图发现——模型在浅层特征上注意力权重几乎均匀分布，该聚焦的小目标区域反而被背景淹没了。后来翻到一篇ECCV的论文，提到“动态集成注意力”（Dynamic Ensemble Attention），思路很直接：不同尺度的特征需要不同粒度的注意力机制，强行用同一套注意力权重去处理多尺度特征，本质上是把模型逼成“近视眼”。DEA的核心是让每个尺度特征自己“投票”选择最合适的注意力模式，而不是像传统方法那样一刀切。DEA模块到底在干什么先看结构。DEA不是单一注意力，而是三个并行分支的集成：通道注意力（捕捉“是什么”）、空间注意力（捕捉“在哪里”）、以及一个动态门控（决定前两个分支的融合比例）。关键创新在于这个门控——它不是固定的，而是根据输入特征的统计特性（比如均值、方差）自适应调整。classDynamicEnsembleAttention(n
)
