YOLO26改进 - 注意力机制 | CoTAttention (Contextual Transformer Attention) 上下文转换器注意力：动静态上下文融合增强特征表征，优化多尺度目标检

前言本文介绍了Contextual Transformer（CoT）块及其在YOLO26中的结合应用。大多数现有Transformer风格架构设计未充分利用邻近键之间的上下文信息，而CoT块通过3×3卷积对输入键进行上下文编码得到静态表示，将编码后的键与输入查询连接，经两个连续的1×1卷积学习动态多头注意力矩阵，与输入值相乘得到动态表示，最终融合二者作为输出。基于此块构建的CoTNet可替换ResNet架构中的3×3卷积。我们将CoTAttention集成进YOLO26，大量实验验证了CoTNet作为骨干网络的优越性。文章目录： YOLO26改进大全：卷积层、轻量化、注意力机制、损失函数、Backbone、SPPF、Neck、检测头全方位优化汇总专栏链接: YOLO26改进专栏文章目录前言介绍摘要文章链接基本原理核心代码YOLO26引入代码tasks注册步骤1:步骤2配置yolo26-CoTAttention.yaml实验脚本结果介绍摘要Transformer自注意力机制已在自然语言处理领域引发革命性变革，并近期推动了Transformer风格架构在多种计算机视觉任务中取得竞争性成果。然而，现有方法大多直接在二维特征图上应用自注意力机制，基于各空间位置的孤立查询-键对计算注意力矩阵，未能充分利用邻近键值间的丰富上下文信息。针对此局限性，本研究设计了一种新颖的Transformer风格模块——上下文Transformer（Contextual Transformer, CoT）块，用于视觉识别任务。该设计充分挖掘输入键值间的上下文信息，引导动态注意力矩阵的学习过程，从而显著增强视觉表征能力。在技术实现上，CoT块首先通过3×3卷积对输入键进行上下文编码，生成静态上下文表示；随后将编码后的键与输入查询连接，经由两个连续的1×1卷积学习动态多头注意力矩阵；所得注意力矩阵与输入值相乘后产生动态上下文表示；最终融合静态与动态上下文表示作为模块输出。所提出的CoT模块具备高度实用性，可便捷替换ResNet架构中的3×3卷积层，构建出名为Contextual Transformer Networks（CoTNet）的Transformer风格骨干网络。通过在大规模图像识别、目标检测及实例分割等应用场景中的系统实验，验证了CoTNet作为更强骨干网络的优越性能。相关源代码已公开于https://github.com/JDAI-CV/C