一、C2PSA 是什么？（含义）

• C2：代表 2 分支结构（轻量化残差结构，继承自 YOLO 的 C2/C2f 系列）。
• PSA：代表 Point-wise Self-Attention（逐点自注意力），是一种轻量、高效的注意力机制，专门用来让模型自动聚焦目标区域、抑制背景噪声。
• 全称：C2 双分支结构 + PSA 逐点自注意力。
• 定位：YOLO26 中用于深层特征精细化增强的核心模块，主要出现在 P5 大尺度深层特征（1024 通道）处，用来提升小目标、遮挡目标、密集目标的检测精度。

二、C2PSA 的作用（为什么要用它？）

一句话总结：在不改变通道数、不显著增加计算量的前提下，通过注意力机制增强目标特征，同时保留原始细节，让深层特征更 “准”、更 “聚焦”。

具体作用：

1. 增强目标特征，抑制背景PSA 注意力自动给 “目标区域” 更高权重，给 “背景区域” 更低权重，让模型更关注物体本身。
2. 提升小目标 / 遮挡目标 / 密集目标检测精度对小目标、模糊、遮挡、重叠目标的定位能力显著优于普通卷积（C3k2）。
3. 轻量化，不拖慢速度双分支 + 通道拆分设计，计算量远低于传统 Transformer 注意力，保持 YOLO 的实时性。
4. 保留原始特征细节，防止梯度消失一个分支做增强，一个分支做直连，形成残差结构，保证深层网络训练稳定。

---

三、C2PSA 的结构（最核心的部分）

C2PSA 是标准双分支结构，全程保持 输入通道数 = 输出通道数。

整体结构（4 步）

1. 通道拆分（分成 2 个分支，各占一半通道）
2. 分支 1：PSA 注意力增强（精细特征）
3. 分支 2：直连 / 轻量卷积（保留原始特征）
4. 通道拼接（恢复原通道数）+ 1×1 卷积微调

四、C2PSA 工作原理（最清晰版本）

1. 输入

输入特征图：(B, C, H, W)

• B：批次
• C：通道数（如 1024）
• H、W：空间尺寸（不变）

2. 通道拆分（核心第一步）

将 C 个通道平均分成两组，每组通道数 = C//2。

• 分支 1：前 C//2 通道 → 做 PSA 注意力增强
• 分支 2：后 C//2 通道 → 做直连 / 轻量卷积，保留原始特征

关键点：

• 两个分支的 空间尺寸 H×W 完全相同、完全完整，不会切图像、不会切目标。
• 两个分支只是 “通道各分一半”，空间信息完全一致。

3. 分支 1：PSA 逐点自注意力（增强分支）

对前 C//2 通道做：

1. 逐点空间注意力：计算每个像素点的重要性权重，目标区域权重高，背景权重低。
2. 轻量卷积（1×1 + 3×3）：进一步细化特征，强化目标边缘、纹理、形状。

结果：

• 这 C//2 通道变成 “聚焦目标、抑制背景” 的高质量特征。

4. 分支 2：直连 / 轻量卷积（保留分支）

对后 C//2 通道做：

• 要么直接直连（不做任何处理）
• 要么做一层 1×1 卷积（仅调整通道数，不改变特征本质）

结果：

• 这 C//2 通道 完全保留原始特征细节，不做任何增强，保证信息不丢失。

5. 通道拼接（恢复原通道数）

将两个分支的输出在 通道维度拼接：

• 分支 1：C//2 通道（增强）
• 分支 2：C//2 通道（原始）
• 拼接后：C//2 + C//2 = C 通道（与输入通道数完全一致）

6. 1×1 卷积微调

最后一层 1×1 卷积：

• 作用：仅微调各通道的特征强度，不混合通道、不改变通道含义。
• 保证 R 还是 R、B 还是 B、纹理还是纹理，只是 “更清晰、更聚焦”。

最终输出

输出特征图：(B, C, H, W)与输入维度完全一致，但特征质量大幅提升。

五、举例说明

假设输入通道：C=4（R：红色特征、G：绿色特征、B：蓝色特征、S：纹理特征），空间尺寸H×W（完整图像）：

1. 通道拆分：随机 / 均匀分成两组（比如「R、G」为分支 2，「B、S」为分支 1，也可能是「R、B」和「G、S」，拆分方式不固定，但各占一半）：

   • 分支 1（注意力增强）：拿到「B、S」通道 → 维度(B, 2, H, W)（空间H×W完整，能看到整个图像的 B、S 特征）；
   • 分支 2（原始保留）：拿到「R、G」通道 → 维度(B, 2, H, W)（空间H×W完整，能看到整个图像的 R、G 特征）；
   • 关键：两个分支的「空间信息完全一致」（都能看到完整图像的 R/G/B/S 对应的目标位置，只是各自承载的通道不同）。

2. 双分支处理：

   • 分支 1（B、S 通道）：做 PSA 注意力增强 → B 通道变成「聚焦目标的蓝色特征」（背景蓝色被抑制，目标蓝色更突出），S 通道变成「聚焦目标的纹理特征」（无用纹理被过滤，目标纹理更清晰）；
   • 分支 2（R、G 通道）：直连 / 轻量卷积 → R、G 通道的特征值基本不变，保留原始的红色、绿色特征细节。

3. 通道拼接 + 微调：

   • 拼接：将「增强后的 B、S 通道」和「保留原始的 R、G 通道」在通道维度拼接 → 恢复为(B, 4, H, W)（通道顺序仍为 R、G、B、S，和输入一致）；
   • 微调：1×1 卷积仅优化各通道内部的特征值（比如调整 R 通道和增强后 B 通道的特征强度匹配），不会将 R、G、B、S 的特征值混在一起（通道之间仍是独立的，R 还是红色特征，B 还是蓝色特征）。