煤矿井下复杂环境中存在干扰信息、低照明度以及机械设备遮挡等问题，使得现有的目标检测算法在进行人员异常动作检测任务时，算法的速度和精度都存在一系列挑战。为解决现有的目标检测模型计算复杂、参数量大、推理时间长以及特征提取困难等问题，提出了一种改进的YOLOv8l方法，称为MAC-YOLO。MAC-YOLO模型通过替换原有基线模型中的卷积为感受野注意卷积(RFAConv)，允许模型可以根据输入数据复杂性和重要性动态调整感受野权重，解决标准卷积运算中的参数共享问题，使得网络可以更有效地捕捉和利用图像中的信息。同时在基线模型中引入了高效多尺度注意力(EMA)模块，能够融合不同尺度的上下文信息，且在卷积运算时不进行通道降维的情况下学习到有效的通道描述，使模型能够对高级特征图产生更好的像素级关注。它也能捕获跨维度交互并建立维度之间的依赖关系，使得神经元巨大的局部感受野能高效获得更清晰的多尺度特征，降低了图像中干扰因素的影响，进一步提升了模型对目标特征的聚焦能力，有助于模型高效地进行卷积操作提取煤矿井下人员的异常动作，提高模型的检测精度。此外，引入边界框回归的损失函数(LMPDIoU)，直接最小化预测框和真实框左上点和右下点之间的距离，解决了原有损失函数存在预测框和真实框长宽比相同(值不同)时模型无法有效优化的问题，加快了模型的收敛速度同时提升定位精度。在降低模型计算复杂性、网络结构复杂性以及增强网络灵活性方面，使用了slim-neck设计范式对基线模型的颈部进行改造，通过GSbottleneck模块增强网络处理特征的能力，利用GSConv模块堆叠提高模型的学习能力，其中的VoV-GSCSP模块提高了特征利用效率和网络性能。实验结果显示，在特定场景的煤矿工人动作数据集(MACD)上，相比基线模型YOLOv8l，MAC-YOLO的mAP@0.5和mAP@0.5:0.95分别提升了1.9%和3.6%，且FPS值为81ms。这表明MAC-YOLO模型在保持良好检测精度的同时，也满足了实时性和轻量化模型的需求，展示了高灵活性、准确性和效率。此外，还通过消融实验证明了各个改进模块对提升模型性能的有效性。

0 引言
1 YOLOv8模型
1.1C3模块和C2f模块
1.2骨干网络和Neck
1.3SPPF模块
1.4特征提取
1.5损失函数
1.5.1正负样本分配策略
1.5.2 Loss 计算
2基于YOLOv8l改进的MAC-YOLO模型
2.1用感受野卷积替换标准卷积
2.1.1空间注意力
2.1.2感受野注意力卷积
2.2添加EMA注意力机制
2.3 slim-neck轻量化模块
2.4优化边界框损失函数
3实验结果及分析
3.1实验准备
3.1.1实验环境
3.1.2实验数据集
3.1.3评价指标
3.1.4实验结果与分析
3.2消融实验
3.3对比试验
4结论