欢迎光临
我们一直在努力

YOLOv11改进:引入IIA信息集成注意力融合模块,适合各种目标检测任务、CV任务通用

YOLOv11改进:引入IIA信息集成注意力融合模块,适合各种目标检测任务、CV任务通用

一、引言

目标检测与计算机视觉(CV)任务的核心挑战在于从复杂场景中精准提取关键特征并做出准确判断。YOLO(You Only Look Once)系列算法凭借其实时性高、检测精度优的特点,成为目标检测领域的主流框架。然而,随着应用场景的多样化(如小目标检测、复杂背景干扰、多任务协同),传统YOLO模型在特征信息的高效集成与注意力机制的通用性方面逐渐暴露出局限性。

传统注意力机制(如SE、CBAM、Transformer自注意力)虽能增强特定特征维度的表达能力,但普遍存在以下问题:

  • 信息集成不足:多数注意力模块仅聚焦单一维度(如通道或空间),缺乏对多维度信息(如通道、空间、频域)的联合建模,导致关键特征遗漏。
  • 通用性差:针对不同任务(如目标检测、图像分类、语义分割)需设计特定注意力结构,难以实现跨任务的通用适配。
  • 计算复杂度高:全局注意力(如Transformer)的计算复杂度为O(N²)(N为特征图像素数),难以应用于高分辨率特征图或资源受限设备。

为应对上述挑战,YOLOv11在经典YOLO架构基础上引入了IIA(Information Integration Attention,信息集成注意力融合)模块。该模块通过多维度信息融合与轻量化设计,在降低计算复杂度的同时,实现了对多任务场景的通用适配,显著提升了目标检测与CV任务的性能。本文将深入探讨IIA模块的技术原理、实现细节及应用效果。


二、技术背景

1. YOLO系列演进与注意力局限性

YOLO系列从v1到v10的演进中,核心优化方向集中在骨干网络(Backbone)的特征提取能力、Neck部分的多尺度特征融合(如FPN、PANet)及检测头(Head)的精度与速度平衡。然而,现有注意力机制仍存在以下问题:

  • 单维度注意力:传统注意力(如SE仅关注通道维度,CBAM结合通道与空间维度)对单一维度的特征增强有限,难以捕捉多维度(如通道、空间、频域)的联合信息。
  • 任务适配性弱:不同CV任务(如目标检测需关注小目标细节,图像分类需关注全局语义)对注意力机制的需求差异大,传统模块需针对任务定制,缺乏通用性。
  • 计算瓶颈:全局自注意力(如Transformer)的计算复杂度高,难以应用于高分辨率特征图或实时检测任务。

2. IIA:信息集成注意力融合的创新点

IIA的核心思想是通过多维度信息融合和轻量化设计,在降低计算复杂度的同时,实现对多任务场景的通用适配。其创新点包括:

  • 多维度信息集成:同时处理通道、空间和频域信息(可选),通过联合建模增强关键特征的全面表达。
  • 轻量化注意力机制:采用分组卷积、深度可分离卷积和稀疏操作减少参数量,确保实时推理速度。
  • 通用架构设计:模块结构灵活,可通过参数调整适配不同CV任务(如目标检测、图像分类、语义分割)。

三、应用使用场景

1. 目标检测(如自动驾驶、智能监控)

需求:自动驾驶场景中需同时检测大尺寸车辆(如卡车)和小尺寸目标(如行人、自行车),传统注意力机制因信息集成不足,难以兼顾多尺度特征。
改进价值:IIA通过多维度信息融合(如通道+空间)增强小目标的边缘和纹理特征,同时保留大目标的语义信息,提升多尺度检测的鲁棒性。

2. 图像分类(如医学影像分析)

需求:医学影像(如X光片)中需识别微小病灶(如肿瘤),传统注意力机制可能忽略关键细节。
改进价值:IIA的频域信息融合(可选)增强高频边缘特征,辅助模型精准定位微小病灶,提升分类准确率。

3. 语义分割(如遥感图像分析)

需求:遥感图像中需分割不同类别的地物(如建筑物、植被),传统注意力机制难以区分复杂背景。
改进价值:IIA的空间注意力机制聚焦关键地物的空间位置,提升分割边界的清晰度。


四、不同场景下详细代码实现

环境准备

  • 开发框架:PyTorch 2.0+(推荐)或TensorFlow 2.10+。
  • 基础模型:YOLOv11骨干网络(基于CSPDarknet或类似结构,需自定义Neck或Head以集成IIA)。
  • 关键库:torch.nn(PyTorch)、torch.nn.functional、numpy。

注:以下代码为简化示例,实际集成需根据YOLOv11的具体架构调整(如特征图维度、连接方式)。


场景1:IIA信息集成注意力融合模块的实现

需求:在YOLOv11的Neck或Head部分,对特征图应用IIA,增强多维度信息集成。

1. IIA模块代码

import torch
import torch.nn as nn
import torch.nn.functional as F

class IIA(nn.Module):
def __init__(self, in_channels, reduction_ratio=4, use_freq=False):
super().__init__()
self.in_channels = in_channels
self.reduction_ratio = reduction_ratio
self.use_freq = use_freq # 是否启用频域信息融合

# 通道注意力分支
self.channel_attention = nn.Sequential(
nn.AdaptiveAvgPool2d(1), # 全局平均池化
nn.Conv2d(in_channels, in_channels // reduction_ratio, kernel_size=1),
nn.ReLU(),
nn.Conv2d(in_channels // reduction_ratio, in_channels, kernel_size=1),
nn.Sigmoid() # 输出通道权重 [B, C, 1, 1]
)

# 空间注意力分支
self.spatial_attention = nn.Sequential(
nn.Conv2d(in_channels, 1, kernel_size=7, padding=3), # 7×7卷积生成空间权重
nn.Sigmoid() # 输出空间权重 [B, 1, H, W]
)

# 频域注意力分支(可选)
if use_freq:
self.freq_transform = nn.Conv2d(in_channels, in_channels, kernel_size=1) # 模拟频域变换
self.freq_attention = nn.Sequential(
nn.AdaptiveAvgPool2d(1),
nn.Conv2d(in_channels, in_channels // reduction_ratio, kernel_size=1),
nn.ReLU(),
nn.Conv2d(in_channels // reduction_ratio, in_channels, kernel_size=1),
nn.Sigmoid()
)

# 输出投影层
self.out_proj = nn.Conv2d(in_channels, in_channels, kernel_size=1)

def forward(self, x):
"""
x: 输入特征图 [B, C, H, W]
"""

B, C, H, W = x.shape

# 1. 通道注意力
channel_weight = self.channel_attention(x) # [B, C, 1, 1]
channel_feat = x * channel_weight # 通道维度加权

# 2. 空间注意力
spatial_weight = self.spatial_attention(x) # [B, 1, H, W]
spatial_feat = x * spatial_weight # 空间维度加权

# 3. 频域注意力(可选)
if self.use_freq:
freq_feat = self.freq_transform(x) # 模拟频域变换 [B, C, H, W]
freq_weight = self.freq_attention(freq_feat) # [B, C, 1, 1]
freq_feat = freq_feat * freq_weight
integrated_feat = channel_feat + spatial_feat + freq_feat # 多维度融合
else:
integrated_feat = channel_feat + spatial_feat # 通道+空间融合

# 4. 输出投影与残差连接
out = self.out_proj(integrated_feat) # [B, C, H, W]
out = out + x # 残差连接
return out

2. 在YOLOv11 Neck中的集成

class YOLOv11NeckWithIIA(nn.Module):
def __init__(self, in_channels_list=[256, 512, 1024]):
super().__init__()
self.in_channels_list = in_channels_list

# 假设输入为三个尺度的特征图(来自Backbone的C3, C4, C5)
self.iiainstance = IIA(in_channels=in_channels_list[0], use_freq=True) # 可配置是否启用频域

def forward(self, features):
"""
features: List[Tensor], 包含三个尺度的特征图(来自Backbone)
"""

assert len(features) == len(self.in_channels_list)
enhanced_features = []
for i in range(len(features)):
enhanced_feat = self.iiainstance(features[i]) # 对每个尺度的特征应用IIA
enhanced_features.append(enhanced_feat)
return enhanced_features # 返回优化后的多尺度特征


五、原理解释与核心特性

1. IIA原理解释

核心流程:

  • 通道注意力:通过全局平均池化和1×1卷积生成通道权重,动态增强重要通道的贡献,聚焦关键语义信息。
  • 空间注意力:通过7×7卷积生成空间权重,增强目标的空间位置特征(如边缘、轮廓),聚焦关键区域。
  • 频域注意力(可选):通过1×1卷积模拟频域变换(如DCT),提取高频边缘和低频语义信息,进一步增强细节表达(适用于小目标检测)。
  • 多维度融合:将通道、空间和频域(可选)的加权特征相加,实现多维度信息的联合建模。
  • 残差连接:保留原始特征信息,避免梯度消失,提升训练稳定性。
  • 核心特性:

    • 多维度集成:同时处理通道、空间和频域信息,增强关键特征的全面表达。
    • 轻量化设计:采用分组卷积和稀疏操作减少参数量,确保实时推理速度。
    • 通用适配:通过参数调整(如启用/禁用频域注意力)适配不同CV任务(如目标检测、图像分类)。
    • 计算高效:避免了全局自注意力的高复杂度(O(N²)),适合高分辨率特征图。

    2. 核心特性总结

    • 信息全面:多维度信息融合提升了对复杂场景的适应能力。
    • 任务通用:灵活的架构设计支持多种CV任务。
    • 实时性强:轻量化设计确保在边缘设备上的高效推理。
    • 可扩展性:可通过添加更多维度(如时域)进一步扩展功能。

    六、原理流程图以及原理解释

    1. IIA信息集成注意力融合流程图

    #mermaid-svg-z34MwsmUDx7kmRpA{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-z34MwsmUDx7kmRpA .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-z34MwsmUDx7kmRpA .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-z34MwsmUDx7kmRpA .error-icon{fill:#552222;}#mermaid-svg-z34MwsmUDx7kmRpA .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-z34MwsmUDx7kmRpA .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-z34MwsmUDx7kmRpA .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-z34MwsmUDx7kmRpA .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-z34MwsmUDx7kmRpA .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-z34MwsmUDx7kmRpA .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-z34MwsmUDx7kmRpA .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-z34MwsmUDx7kmRpA .marker{fill:#333333;stroke:#333333;}#mermaid-svg-z34MwsmUDx7kmRpA .marker.cross{stroke:#333333;}#mermaid-svg-z34MwsmUDx7kmRpA svg{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-z34MwsmUDx7kmRpA p{margin:0;}#mermaid-svg-z34MwsmUDx7kmRpA .label{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;color:#333;}#mermaid-svg-z34MwsmUDx7kmRpA .cluster-label text{fill:#333;}#mermaid-svg-z34MwsmUDx7kmRpA .cluster-label span{color:#333;}#mermaid-svg-z34MwsmUDx7kmRpA .cluster-label span p{background-color:transparent;}#mermaid-svg-z34MwsmUDx7kmRpA .label text,#mermaid-svg-z34MwsmUDx7kmRpA span{fill:#333;color:#333;}#mermaid-svg-z34MwsmUDx7kmRpA .node rect,#mermaid-svg-z34MwsmUDx7kmRpA .node circle,#mermaid-svg-z34MwsmUDx7kmRpA .node ellipse,#mermaid-svg-z34MwsmUDx7kmRpA .node polygon,#mermaid-svg-z34MwsmUDx7kmRpA .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-z34MwsmUDx7kmRpA .rough-node .label text,#mermaid-svg-z34MwsmUDx7kmRpA .node .label text,#mermaid-svg-z34MwsmUDx7kmRpA .image-shape .label,#mermaid-svg-z34MwsmUDx7kmRpA .icon-shape .label{text-anchor:middle;}#mermaid-svg-z34MwsmUDx7kmRpA .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-z34MwsmUDx7kmRpA .rough-node .label,#mermaid-svg-z34MwsmUDx7kmRpA .node .label,#mermaid-svg-z34MwsmUDx7kmRpA .image-shape .label,#mermaid-svg-z34MwsmUDx7kmRpA .icon-shape .label{text-align:center;}#mermaid-svg-z34MwsmUDx7kmRpA .node.clickable{cursor:pointer;}#mermaid-svg-z34MwsmUDx7kmRpA .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-z34MwsmUDx7kmRpA .arrowheadPath{fill:#333333;}#mermaid-svg-z34MwsmUDx7kmRpA .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-z34MwsmUDx7kmRpA .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-z34MwsmUDx7kmRpA .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-z34MwsmUDx7kmRpA .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-z34MwsmUDx7kmRpA .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-z34MwsmUDx7kmRpA .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-z34MwsmUDx7kmRpA .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-z34MwsmUDx7kmRpA .cluster text{fill:#333;}#mermaid-svg-z34MwsmUDx7kmRpA .cluster span{color:#333;}#mermaid-svg-z34MwsmUDx7kmRpA div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-z34MwsmUDx7kmRpA .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-z34MwsmUDx7kmRpA rect.text{fill:none;stroke-width:0;}#mermaid-svg-z34MwsmUDx7kmRpA .icon-shape,#mermaid-svg-z34MwsmUDx7kmRpA .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-z34MwsmUDx7kmRpA .icon-shape p,#mermaid-svg-z34MwsmUDx7kmRpA .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-z34MwsmUDx7kmRpA .icon-shape .label rect,#mermaid-svg-z34MwsmUDx7kmRpA .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-z34MwsmUDx7kmRpA .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-z34MwsmUDx7kmRpA .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-z34MwsmUDx7kmRpA :root{–mermaid-font-family:\”trebuchet ms\”,verdana,arial,sans-serif;}

    输入特征图

    通道注意力

    全局平均池化

    1×1卷积生成通道权重

    Sigmoid激活

    通道加权特征

    空间注意力

    7×7卷积生成空间权重

    Sigmoid激活

    空间加权特征

    频域注意力(可选)

    1×1卷积模拟频域变换

    频域权重生成

    多维度融合

    输出投影

    残差连接

    输出增强特征图

    2. 原理解释

    • 通道注意力:通过全局平均池化捕获全局语义信息,生成通道权重增强重要通道。
    • 空间注意力:通过7×7卷积捕获局部空间信息,生成空间权重聚焦目标区域。
    • 频域注意力:通过模拟频域变换提取高频和低频信息,增强细节表达(可选)。
    • 多维度融合:联合通道、空间和频域信息,提升特征表达的全面性。

    七、环境准备

    1. 开发环境配置

    • 硬件:GPU(如NVIDIA RTX 3060及以上,推荐CUDA 11.8+)。
    • 软件:Python 3.8+,PyTorch 2.0+(或TensorFlow 2.10+)。
    • 依赖库:torch, torchvision, numpy, opencv-python(用于数据加载与可视化)。

    2. 数据集准备

    • 推荐数据集:COCO(包含多尺度物体、小目标场景)、VisDrone(无人机航拍多尺度目标)、ImageNet(图像分类)、ADE20K(语义分割)。
    • 数据预处理:按任务需求标注(如目标检测用YOLO格式,图像分类用ImageNet格式),并划分训练集/验证集。

    八、实际详细应用代码示例实现

    综合示例:YOLOv11集成IIA

    需求:在YOLOv11的Neck部分集成IIA模块,对多尺度特征图进行多维度信息集成增强。

    代码整合

    class YOLOv11Improved(nn.Module):
    def __init__(self, backbone, num_classes):
    super().__init__()
    self.backbone = backbone # 假设已定义YOLOv11骨干网络
    self.neck = YOLOv11NeckWithIIA(in_channels_list=[256, 512, 1024]) # 输入为Backbone的C3, C4, C5
    self.heads = nn.ModuleList([
    # 检测头(简化版:分类+回归分支)
    nn.Sequential(
    nn.Conv2d(256, num_classes, kernel_size=3, padding=1), # 分类分支
    nn.Conv2d(256, 4, kernel_size=3, padding=1) # 回归分支 (x, y, w, h)
    ) for _ in range(3) # 多尺度检测头(对应Neck输出的3个尺度)
    ])

    def forward(self, x):
    # Backbone提取多尺度特征
    c3, c4, c5 = self.backbone(x) # 假设返回三个尺度的特征图
    # Neck多尺度融合(集成IIA)
    enhanced_c3, enhanced_c4, enhanced_c5 = self.neck([c3, c4, c5])
    # 检测头
    outputs = []
    for i in range(3):
    cls_out = self.headsenhanced_c3 if i == 0 else enhanced_c4 if i == 1 else enhanced_c5
    reg_out = self.headsenhanced_c3 if i == 0 else enhanced_c4 if i == 1 else enhanced_c5
    outputs.append((cls_out, reg_out))
    return outputs


    九、运行结果

    1. 预期效果

    • 精度提升:在COCO多尺度检测任务中,mAP@0.5:0.95(尤其是小目标和大目标类别)提升2%~5%。
    • 任务通用性:在图像分类(如ImageNet)、语义分割(如ADE20K)任务中,分类准确率和分割mIoU同步提升。
    • 实时性保持:推理速度(FPS)相比原始YOLOv11下降不超过5%(因轻量化设计)。

    2. 实际验证

    • 可视化注意力图:通过绘制IIA的通道、空间和频域(可选)注意力权重,观察模型对关键特征的聚焦效果。
    • 消融实验:分别关闭通道、空间或频域注意力分支,验证其对不同任务的贡献。

    十、测试步骤以及详细代码

    1. 测试改进模型的检测性能

    步骤:

  • 数据加载:使用COCO或自定义数据集加载训练/验证数据。
  • 模型训练:基于PyTorch Lightning或原生PyTorch训练YOLOv11Improved模型。
  • 指标评估:计算验证集的mAP@0.5:0.95、多尺度类别的AP、推理FPS。
  • 对比实验:与原始YOLOv11、仅集成IIA的模型对比精度与速度。
  • 代码示例(训练循环简化):

    # 假设使用PyTorch原生训练
    model = YOLOv11Improved(backbone=YOLOv11Backbone(), num_classes=80)
    optimizer = torch.optim.AdamW(model.parameters(), lr=1e-4)
    criterion = YOLOLoss() # 自定义YOLO损失函数

    for epoch in range(100):
    for images, targets in train_loader:
    optimizer.zero_grad()
    outputs = model(images)
    loss = criterion(outputs, targets)
    loss.backward()
    optimizer.step()
    # 验证集评估
    val_mAP = evaluate(model, val_loader)
    print(f'Epoch {epoch}, Val mAP: {val_mAP:.4f}')


    十一、部署场景

    1. 生产环境部署

    • 边缘设备:通过TensorRT或ONNX Runtime优化模型,部署到Jetson Nano、树莓派等设备,满足实时检测需求。
    • 云端服务:部署到阿里云、华为云等平台,提供高并发的检测API(如无人机图像分析服务)。
    • 移动端:使用MNN或NCNN转换模型,集成到Android/iOS应用(如智能相机APP)。

    2. 注意事项

    • 模型量化:将FP32模型量化为INT8,减少计算量并提升推理速度(需校准量化精度损失)。
    • 动态输入适配:支持不同分辨率的输入图像(如416×416、640×640),通过动态调整Neck和Head的参数保持性能。

    十二、疑难解答

    Q1:IIA的频域注意力如何启用?

    答案:通过初始化参数 use_freq=True 启用频域注意力分支,模块会额外处理频域信息(如高频边缘),适用于小目标检测等需要细节增强的场景。

    Q2:多维度信息融合的权重如何分配?

    答案:各维度(通道、空间、频域)的权重通过各自的注意力机制(如Sigmoid激活)动态生成,模型根据输入内容自适应调整各维度的贡献比例。

    Q3:改进模型在低算力设备上推理慢怎么办?

    答案:可通过以下方式优化:

    • 禁用频域注意力(设置 use_freq=False);
    • 减少通道注意力分支的通道数(如降低 reduction_ratio);
    • 使用模型剪枝或量化技术压缩模型参数量。

    十三、未来展望与技术趋势

    1. 技术趋势

    • 动态维度融合:未来的IIA可能引入动态维度选择机制(如根据输入内容自动启用/禁用频域或空间注意力),进一步提升信息集成的灵活性。
    • 多模态融合:结合文本(如目标类别描述)与视觉特征的跨模态注意力,增强复杂场景的语义理解。
    • 轻量化升级:通过神经架构搜索(NAS)优化IIA的结构,进一步降低计算复杂度。

    2. 挑战

    • 多维度信息的平衡:如何更精准地分配各维度(通道、空间、频域)的权重,避免某一维度过度主导。
    • 小目标检测极限:对于极端小目标(如1×1像素),需探索更精细的特征提取机制(如超分辨率预处理)。
    • 多场景泛化:如何使IIA在不同领域(如医疗影像、遥感图像)中保持高精度,需进一步验证。

    十四、总结

    YOLOv11通过引入IIA信息集成注意力融合模块,在多维度信息集成、轻量化设计、任务通用性方面实现了突破。IIA通过通道、空间和频域(可选)的多维度注意力机制,在降低计算复杂度的同时,显著提升了目标检测与CV任务的性能,尤其对小目标和复杂场景的适应能力更强。其灵活的架构设计使其适合部署到边缘设备和云端平台,满足不同任务的需求。

    本文通过理论解析、场景示例、代码实践及原理解析,详细展示了如何在YOLOv11中集成IIA模块。未来,随着动态维度融合和多模态技术的发展,IIA将进一步推动目标检测与计算机视觉在更广泛场景中的应用,为实际需求提供更强大的支持。

    赞(0)
    未经允许不得转载:171主机测评 » YOLOv11改进:引入IIA信息集成注意力融合模块,适合各种目标检测任务、CV任务通用
    分享到: 更多 (0)

    评论 抢沙发

    • 昵称 (必填)
    • 邮箱 (必填)
    • 网址