一、本文介绍
🔥本文给大家介绍使用 WACGA小波感知卷积门控注意力 改进YOLOv11网络模型，WACGA可以概括为一种利用多方向小波频率信息对自注意力特征进行动态门控的细节增强模块。其工作重点不是完成下采样，而是在特征已经进入较深层网络后，通过小波分解获得低频结构以及水平、垂直、对角高频信息，再针对不同频率子带进行方向性增强，并将融合后的频率信息转化为门控权重，对自注意力输出进行选择性强化。这样既能够保持Transformer对全局关系的建模能力，又能够增强对边缘、细线、尖角和纹理等局部高频结构的表达。
🔥欢迎订阅我的专栏、带你学习使用最新-最前沿-独家YOLOv11创新改进！🔥
YOLOv11专栏改进目录：YOLOv11改进专栏包含卷积、主干网络、各种注意力机制、检测头、损失函数、Neck改进、小目标检测、二次创新模块、C2PSA/C3k2二次创新改进、全网独家创新等创新点改进
全新YOLOv11-发论文改进专栏链接：全新YOLOv11创新改进高效涨点+永久更新中（至少500+改进）+高效跑实验发论文
本文目录
一、本文介绍
二、WACGA小波感知卷积门控注意力介绍
2.1 WACGA小波感知卷积门控注意力结构图
2.2 WACGA小波感知卷积门控注意力模块的作用：
2.3 WACGA小波感知卷积门控注意力模块的原理
2.4 WACGA小波感知卷积门控注意力模块的优势
三、完整核心代码
四、手把手教你配置模块和修改tasks.py文件
1.首先在ultralytics/nn/newsAddmodules创建一个.py文件
2.在ultralytics/nn/newsAddmodules/__init__.py中引用
3.修改tasks.py文件
五、创建涨点yaml配置文件
🚀 创新改进1🔥: yolov11n_WACGA.yaml
🚀 创新改进2🔥: yolov11n_C3k2_WACGA.yaml
🚀 创新改进3🔥: yolov11n_C2WACGA.yaml
六、正常运行
二、WACGA小波感知卷积门控注意力介绍
摘要：古汉字蕴含着深厚的文化与学术价值，然而其图像常因年代久远而遭受侵蚀、磨损、断裂或噪点污染，导致笔画模糊或边缘缺失。尽管基于深度学习的图像修复技术已取得显著进展，但古汉字复杂的结构与独特的构型仍带来诸多挑战。具体而言，噪点与精细笔画之间的深度交织使得在去噪与保留细微笔画细节之间寻求平衡变得尤为困难；精确分离这两类成分至今仍是关键性难题，因为传统方法难以有效实现二者分离。为解决上述问题，我们提出了一种名为 LWTformer 的新型架构，该架构整合了可学习的二维离散小波变换（2D-DWT）技术用于古汉字图像修复。我们的核心贡献在于引入了一种可学习的小波下采样模块（WaveDown），该模块能将古汉字图像精确地分解为保留整体字符结构的低频近似分量，以及捕捉独特笔画特征的高频细节分量。此外，我们还引入了空间增强注意力机制（SEA）与小波感知卷积门控注意力机制（WACGA），以更有效