💡💡💡创新点：设计一种能够使网络在保持低参数量和低FLOPs的同时不牺牲精度和吞吐量的模块或机制仍然是一个挑战。为应对这一挑战并利用特征图通道内的冗余，我们提出了一种新的解决方案：部分通道机制。具体来说，通过分割操作，特征图通道被划分为不同的部分，每个部分对应不同的操作，例如卷积、注意力、池化和恒等映射。基于这一设想，我们引入了一种新颖的部分注意力卷积，它可以有效地将卷积与视觉注意力结合起来。我们的探索表明，PATConv可以在减少模型参数和FLOPs的同时，完全替代常规卷积和常规视觉注意力。此外，PATConv可以衍生出三种新型模块：部分通道注意力模块、部分空间注意力模块和部分自注意力模块。
💡💡💡PartialNet Block的核心优点如下：
部分通道并行处理：将输入通道分割为多个部分，分别进行卷积、注意力等不同操作，避免全通道密集计算，显著降低FLOPs和参数量。
效率与精度兼顾：关键信息通过注意力增强，非关键部分通过恒等映射保留，在减少20%以上计算量的同时，精度超越SOTA模型。
特征多样性增强：差异化操作促使模型学习互补特征（如全局通道关系与局部空间细节），提升判别能力。
