一、本文介绍
本文记录的是利用Triplet Attention模块优化YOLOv11的目标检测网络模型。D-LKA 结合了大卷积核的广阔感受野和可变形卷积的灵活性，有效地处理复杂的图像信息。本文将其应用到v11中，并进行二次创新，使网络能够综合多种维度信息，更好地突出重要特征，从而提升对不同尺度目标和不规则形状目标的特征提取能力。
专栏目录：YOLOv11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：YOLOv11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、D-LKA介绍
- 2.1 设计出发点
- 2.2 原理
- 2.2.1 Large Kernel Attention（LKA）原理
- 2.2.2 Deformable Large Kernel Attention（D - LKA）原理
- 2.3 结构
- 2.3.1 2D D - LKA模块结构
- 2.3.2 3D D - LKA模块结构
- 2.3.3 基于D - LKA模块的网络结构
- 2.4 优势
- 三、D-LKA的实现代码
- 四、创新模块
-
- 五、添加步骤
-
