传统注意力SMSA，吧语义层级拆开，不同含义的层级，用轻量化的卷积吧每块的语义提取出来，
2、PCSA，在将分开的语义特征整合起来，去同时解决不同语义的差异，
3、SCSA 的核心是 "多语义空间信息引导通道自注意力
输入特征图（B×C×H×W）→ 经过SMSA 模块（多语义空间注意力）提取不同语义层级的空间特征；
再经过PCSA 模块（渐进式通道自注意力）整合通道特征、缓解语义差异；
最终输出优化后的特征图，实现 "空间语义提取→通道语义整合" 的协同。
关键模块，SMSA， 共享语义空间注意力
核心是维度分解，--多语义的提取
1、对输入特征进行，宽，高，两个信息做平均池化，生成两个1D的序列特征
2、将原有的特图与两个1D 的序列特征进行结合，分解卫多个独立的自特征
对每个自特征使用，多尺度深度可分离卷积，去提取不同层级的语义的层次i信息，
优势：轻量化，使用1D去代替2D卷积，降低计算量
多语义覆盖，通过子特征分解，去捕获不同尺度的空间语义信息
二、核心逻辑：SCSA 的设计目标
SCSA 通过 "空间维度的多语义提取"+"通道维度的渐进式整合"，实现两个关键目标：
1.充分利用多语义信息：覆盖不同尺度、不同区域的语义特征；
2.缓解语义差异：避免不同语义特征在整合时的干扰，提升特征质量。
三、总结
这部分内容详细说明了 SCSA 的 "如何实现"------ 通过 SMSA 完成空间语义的多尺度提取，再通过 PCSA 完成通道语义的高效整合，最终实现 "轻量化 + 多语义优化" 的注意力机制，为后续实验中的性能提升提供了技术支撑。
核心：深度可分离1D卷积
将特征图分解为独立的子特征后，对每个子 特征用不同的和大小的深度可分离1D卷积处理
1、两个维度，宽，高，的分别卷积，建模维度间的依赖关系
2、将各组归一化，去区分不同子特征的语义差异，
该策略的优势：在减少冗余计算的同时，增强子特征的语义多样性与区分度。
2、渐进式通道子注意力
轻量化-语义差异环节，
对输入特征做池化和线性投影，生成相应的注意力矩阵，
采用弹头子注意力计算通道的相似性，同时引入通道洗牌增强特征交互
采用平均池化-渐进式压缩，降低计算量，
3、SCSA 的核心创新是 "空间注意力（SMSA）引导通道注意力（PCSA）"：
使用SMSA，提取多语义的空间特征卫PCSA提高语义先验，
通过PCSA细化通道特征，利用空间语义信息环节通道差异
形成空间通道，协同流程，避免特征信息丢失，提升注意力精准度
1、SCSA 机制的轻量化卷积、空间注意力生成、通道自注意力实现，以及最终的协同流程，
2、对每个子特征，用核大小为 3/5/7/9 的深度可分离 1D 卷积，分别沿高度（H）和宽度（W）维度提取空间结构信息
3、通过组归一化（GN）替代批量归一化（BN），区分不同子特征的语义差异，避免批量噪声干扰。
轻量化：深度可分离卷积减少计算量；
语义增强：不同核大小覆盖多尺度语义，组归一化强化子特征区分度
基于子特征的空间信息，构建语义感知的空间注意力图：
拼接所有子特征的空间信息，通过组归一化 + Sigmoid 激活，生成沿高度（H）和宽度（W）维度的注意力图；
注意力图与原特征相乘，激活特定空间区域的特征。
三、核心模块 3：渐进式通道自注意力（PCSA）
为缓解通道间语义差异，采用单头自注意力 + 渐进式压缩：
操作逻辑：
先对输入特征池化、线性投影生成 Q/K/V 矩阵；
用单头自注意力计算通道相似性，结合通道洗牌增强子特征交互；
最终将注意力输出与原特征融合，细化通道特征
SCSA 的核心是 "空间注意力引导通道注意力" 的串行流程：
输入特征 → 经 SMSA（轻量化卷积 + 空间注意力）提取多语义空间特征；
空间特征 → 输入 PCSA（通道自注意力），利用空间语义先验细化通道特征；
最终输出优化后的特征图，即 SCSA(X) = PCSA(SMSA(X))。
一、核心一：轻量化卷积，
针对分解后的独立子特征，深度可分离1D卷积+归一化策略
逻辑，针对每个子特征，使用摸不同尺度的深度课分离1D卷积，，分别用高，宽吗，两个维度的去提取空间结构信息
优势轻量化，深度可分离卷积，降低计算量
语义增强，不同核大小覆盖多尺度语义，归一化强化子特征的区分度
二、核心二：空间注意力图生成
基于子特征的空间信息，构建语义感知的空间注意力，