Pointnet++改进90：2025最新改进模块-EVA模块

简介：
1.该教程提供大量的首发改进的方式，降低上手难度，多种结构改进，助力寻找创新点！
2.本篇文章对Pointnet++特征提取模块进行改进，加入NAMAttention注意力机制，提升性能。
3.专栏持续更新，紧随最新的研究内容。

目录

1.理论介绍

2.修改步骤

2.1 步骤一

         2.2 步骤二

         2.3 步骤三

1.理论介绍

实时语义分割面临双重挑战：既要设计高效架构以捕获大感受野实现语义理解，又要优化细节轮廓。视觉变换器能有效建模长程依赖，但计算成本高昂。为解决这些问题，本文提出大核注意力机制（LKA）。所设计的双边高效视觉注意力网络（BEVANet）通过稀疏分解大分离核注意力（SDLSKA）扩展感受野以捕获上下文信息，同时提取视觉与结构特征。综合核选择机制（CKS）动态调整感受野以进一步提升性能。此外，深度大核金字塔池化模块（DLKPPM）通过协同结合空洞卷积与大核注意力来丰富上下文特征。双边架构促进分支间高效交互，边界引导自适应融合模块（BGAF）在边界约束下整合空间与语义特征以增强轮廓划分。BEVANet以33 FPS实现实时分割，在未预训练时达到79.3% mIoU，经ImageNet预训练后在Cityscapes数据集上提升至81.0% mIoU，展现了最先进的性能

2.修改步骤

2.1 步骤一

新建eva.py文件，加入如下代码：

import math
import torch
import torch.nn as nn

class DWConv(n