YOLOv11 改进 - 注意力机制 | GC Block(GlobalContext Block)全局上下文块：三重变换捕获全局依赖，提升复杂场景鲁棒性

魔改工程师

墨衍会员 · 1平台 · 900+阅读码龄3年

关注

原创 2025-12-09 20:42:43 943 阅读 AI 写同款· GEO 优化 ›

最新YOLOv11改进专栏专栏收录该内容

¥99.90 ¥299.90

224篇文章

订阅专栏

前言

本文介绍了全局上下文块（GC Block）及其在YOLOv11中的集成应用。GC Block是GCNet的核心组件，结合了NLNet和SENet的优势，通过上下文建模、特征变换和特征融合三个模块，高效捕获特征图中的全局依赖关系，在提高模型性能的同时降低计算成本。我们将GC Block引入YOLOv11，在检测头部分的不同尺度特征图上应用该模块。实验表明，改进后的YOLOv11在目标检测任务中表现良好，展现了GC Block在实际应用中的价值。

文章目录： YOLOv11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: YOLOv11改进专栏

介绍

摘要

非局部网络（NLNet）通过聚合特定查询位置的全局上下文，为捕获长程依赖性提供了开创性方法。然而，经过严格的实证分析，我们发现非局部网络在同一图像的不同查询位置所建模的全局上下文呈现出高度相似性。基于这一发现，本文构建了一个基于查询无关公式的简化网络架构，该架构在保持NLNet准确性的同时显著降低了计算复杂度。进一步研究表明，该简化设计在结构上与挤压-激励网络（SENet）具有相似性，因此我们将二者统一到一个包含三个步骤的通用框架中，用于全局上下文建模。在此通用框架基础上，我们设计了一个更为优越的实例化模块，称为全局上下文（GC）块，该模块具有轻量化特性且能够有效建模全局上下文信息。得益于其轻量化设计，我们可以将该模块应用于骨干网络的多个层级，从而构建全局上下文网络（GCNet）。实验结果表明，GCNet在多种识别任务的主要基准测试中均表现出优于简化NLNet和SENet的性能。相关代码与配置文件已发布于：https://github.com/xvjiarui/GCNet。