一、创新点总结：
创新点1：
首先，在骨干网络各阶段嵌入高效通道注意力(Efficient Channel Attention，ECA)模块，构建分布式特征增强机制，自适应校准通道权重以抑制背景噪声并强化多尺度缺陷响应，为后 续轻量化模块提供更易判别的特征分布；
创新点2：
设计 GhostLiteC2f 模块替代颈部网络标准卷积，并引入深度可分离卷积 (Depthwise Separable Convolution，DWSConv)重构特征提取单
元，从结构层面削减冗余计算，为注意力机制与上采样的部署释 放算力空间；
二、EDGD-YOLO
在骨干网络(Backbone)的 C2f 模块之前分别嵌入 ECA 通道注意力模块，构建全阶段特征增强机制；
重构颈部网络(Neck)，采用深度可分离卷积 (DWSConv) 替代传统标准卷积；
引入 GhostLiteC2f 模块优化特征融合路径；最后，将传统 的最近邻上采样替换为 DySample 可学习上采样算 子。
2.1 基于骨干网多层嵌入的ECA增强机制
ECA 模块的工作流程分为三个阶段，首先，对输入特征图进行全局平均池化， 将空间维度压缩为 1×1，生成每个通道的全局描述 符，这一步骤保留了通道间的完整信息而不进行降维 处理。其次，通过一维卷积捕捉通道间的局部交互关 系，每个通道的注意力权重仅由其邻近的 k 个通道 共同决定，这种局部交互策略在保持性能的同时显著 降低了模型复杂度。一维卷积的核大小 k 根据通道 维度自适应确定，高维通道采用较大的感受野以捕获 长距离依赖，低维通道采用较小的感受野以减少计算 开销。最后，通过 Sigmoid 激活函数生成通道权重 向量，并与原始特征图进行逐元素乘法，实现特征的 自适应重校准。
2.2 GhostLiteC2f 模块
构建的 GhostLiteC2f 模块由输入卷 积层、GhostLiteBottleneck瓶颈层和输出卷积层三部 分构成。输入特征首先通过输入卷积层进行通道变换， 输出通道数为隐藏通道数的两倍，随后特征被分为两 部分：一部分直接传递，另一部分通过 GhostLiteBottleneck 瓶颈层进行深度特征提取。所有 分支的特征通过通道拼接后，经输出卷积层融合输出。 GhostLiteBottleneck 作为核心计算单元，采用混合架 构：先以 GhostConv 压缩通道并生成本征与冗余特 征，再经 3×3 DWConv 建模空间依赖，最后通过标 准卷积投影回输出通道；若满足残差条件，则将输入 与输出逐元素相加，以促进梯度流动并加速收敛。
