1.该文章属于YOLOV5/YOLOV7/YOLOV8改进专栏，包含大量的改进方式，主要以2023年的最新文章和2022年的文章提出改进方式。
2.提供更加详细的改进方法，如将注意力机制添加到网络的不同位置，便于做实验，也可以当做论文的创新点。

3.涨点效果：D-LKA Attention注意力机制,实现有效涨点！

变形模型在医学图像分割方面有了显著的改进，它擅长于捕捉深远的上下文和全局上下文信息。然而，这些模型不断增加的计算需求与平方令牌计数成正比，限制了它们的深度和分辨率能力。目前大多数方法都是逐片处理三维体图像数据(称为伪3D)，缺少关键的片间信息，从而降低了模型的整体性能。为了解决这些挑战，我们引入了可变形大核注意(D-LKA注意)的概念，这是一种采用大卷积核来充分理解体积上下文的流线型注意机制。这种机制在类似于自我关注的接受场中运行，同时避免了计算开销。此外，我们提出的注意机制受益于可变形卷积，可以灵活地扭曲采样网格，使模型能够适当地适应不同的数据模式。

我们设计了D-LKA Attention的2D和3D版本，后者在跨深度数据理解方面表现出色。这些组件共同构成了我们新颖的分层视觉转换器架构，即D-LKA网络。