YOLOv11改进 | 特殊场景检测篇 | 最新的多尺度特征提取DICAM（全网独家首发，增强水下图像的质量）

最新推荐文章于 2025-12-08 00:10:45 发布
最新推荐文章于 2025-12-08 00:10:45 发布
阅读量2.5k 收藏 7
点赞数 2
CC 4.0 BY-SA版权
分类专栏： YOLOv11有效涨点专栏 文章标签： YOLO 深度学习 人工智能 计算机视觉 目标检测 YOLOv11 python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/java1314777/article/details/145273007

一、本文介绍

本文给大家带来的最新改进机制是多尺度特征提取和通道注意力机制DICAM，深度Inception和通道注意力模块（DICAM）主要用于用于增强水下图像的质量、对比度和色偏。所提出的DICAM模型考虑了水下图像的比例退化和不均匀色偏，从而提高图像的质量。通过在两个公开的水下图像增强数据集上的广泛实验，验证了提出的模型在全参考和无参考图像质量评估指标方面。

欢迎大家订阅我的专栏一起学习YOLO，购买专栏读者联系读者入群获取进阶项目文件！  

专栏回顾：YOLOv11改进系列专栏——本专栏持续复习各种顶会内容——科研必备 

目录

一、本文介绍

二、原理介绍

三、核心代码

四、添加教程

4.1 修改一

4.2 修改二 

4.3 修改三 

4.4 修改四 

五、正式训练

5.1 yaml文件1

5.2 训练代码 

5.3 训练过程截图 

五、本文总结

二、原理介绍

官方代码地址： 官方论文地址点击此处即可跳转-阅读需要购买.

官方论文地址： 官方代码地址点击此处即可跳转</

了解本专栏 订阅专栏 解锁全文
【YOLOv11改进[注意力]】引入DICAM机制(多尺度特征提取和通道注意力机制) | 水下图像增强
静谧、淡雅
02-24 401
引入DICAM机制(多尺度特征提取和通道注意力机制) | 水下图像增强
YOLOv8改进 | 特殊场景检测篇 | 最新的多尺度特征提取DICAM（全网独家首发，增强水下图像的质量）
Snu77的博客
03-08 1821
本文给大家带来的最新改进机制是多尺度特征提取和通道注意力机制DICAM，深度Inception和通道注意力模块（DICAM）主要用于用于增强水下图像的质量、对比度和色偏。所提出的DICAM模型考虑了水下图像的比例退化和不均匀色偏，从而提高图像的质量。通过在两个公开的水下图像增强数据集上的广泛实验，验证了提出的模型在全参考和无参考图像质量评估指标方面。欢迎大家订阅我的专栏一起学习YOLO，购买专栏读者联系读者入群获取进阶项目文件！
向YOLO系列添加注意力机制（SE，CA，ECA，CBAM）
weixin_57111012的博客
11-07 1039
1，找到合适的即插即用的注意力机制，无论是空间注意力，通道注意力还是混合注意力，都可以。下面显示一些常用的注意力机制。将这些代码直接复制到models/common.py的最后面。3，配置models/yolov5s.yaml，在相应的地方添加方法即可。这些可以自己diy。2，在models/yolo.py遍历中添加这些模块的名称。
注意力机制又见神操作！结合多尺度特征提取涨点起飞！看似简单，实则也不难
学姐带你玩AI的博客
11-25 2414
这方向典型如即插即用DICAM模块，结合多尺度特征提取和通道注意力机制，涨点起飞。核心在于多尺度特征提取可以帮助模型更全面地理解图像，从而提高复杂场景和目标的识别能力。而注意力机制可以让模型更关注输入数据中的重要部分，突出关键特征，忽略无关信息。这样结合就能值得一提的是，这种优势很大的技术在工业界也相当受欢迎，目前被广泛应用于医学影像分析、遥感图像分析、长时间序列预测、工业设备监测等领域。为方便各位快速了解这方向的前沿动态，我这次整理了，开源代码贴心附上~全部论文+开源代码需要的同学看文末。
YOLOv10改进，YOLOv10添加DICAM，用于水下图像增强模块，以提高朦胧水下图像的质量、对比度和色偏
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
03-21 248
在水下环境中，成像设备会出现水浑浊、光衰减、散射和颗粒问题，导致图像质量低、对比度差和彩色图像有偏差。这给使用传统视觉技术进行水下状态监测和检查带来了巨大挑战。近年来，水下图像增强因其在提高当前计算机视觉任务在水下目标检测和分割中的性能方面发挥着关键作用而受到越来越多的关注。由于主要从自然场景构建的现有方法在提高色彩丰富度和分布方面存在性能限制，作者提出了一种新颖的基于深度学习的方法，即 Deep Inception 和 Channel-wise Attention Modules （DICAM），以提高朦
DICOM 模块介绍
weixin_30567471的博客
12-17 530
一、DICOM模块，一般指的是三大模块，包含DICOM Storage、DICOM Worklist、DICOM MPPS。 1.DICOM Storage：（必要） 指的是仪器将影像打包成DICOM影像后，通过DICOM通讯，传送至PACS服务器。此为必要功能，当检查结束后，仪器经由院内网络将影像上传。 2.DICOM Worklist：（非必要） 指的是仪器获取...
YOLOv11改进有效涨点专栏目录 | 含卷积、主干、注意力机制、Neck、检测头、损失函数、二次创新C2PSA/C3k2等各种网络结构改进
Snu77的博客
11-05 7万+
Hello，各位读者们好.本文为最新YOLOv11有效涨点专栏目录，YOLOv11以及发布了一个月左右，这个过程中我也是给大家整理了许多的机制，其中包含了C3k2、主干（均支持根据yolov11训练的版本进行二次缩放，全系列都能轻量化）、检测头、注意力机制、Neck多种结构上创新，也有损失函数和一些细节点上的创新。
YOLOv8改进有效系列目录 | 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制
热门推荐
Snu77的博客
12-30 17万+
Hello，各位读者们好，本专栏自开设两个月以来已经更新改进教程120+余篇其中包含C2f、主干、检测头、注意力机制、Neck多种结构上创新，也有损失函数和一些细节点上的创新，订阅本专栏以后你不仅可以收获跟专栏的阅读权限，同时可以进Qq群，里面包含集成我所有创新的YOLO最新目录，和我本人录制的视频讲解教程，如果你想要在YOLOv8系列收获一篇论文，我相信订阅本专栏后你一定会有所收获~YOLOv8改进有效系列目录。
YOLOv10改进 | 独家创新- 注意力篇 | YOLOv10结合全新多尺度线性注意力机制DSLAM和C2f_DSLAM(全网独家创新)
tsg6698的博客
08-23 1386
多尺度卷积的设计结合了不同大小的卷积核（例如，3x3、5x5、7x7、11x11、21x21等），这些卷积核通过不同的感受野捕捉图像中多种尺度的特征。到此本文的正式分享内容就结束了，在这里给大家推荐我的YOLOv10改进有效涨点专栏，后期我会根据各种最新的前沿顶会进行论文复现，也会对一些老的改进机制进行补充，如果大家觉得本文帮助到你了，订阅本专栏，关注后续更多的更新~综上DSLAM模块通过多尺度卷积的深度融合、自适应池化和线性注意力机制的有机结合，实现了对图像多尺度信息的高效捕捉和全局特征的有效建模。
什么是DICOM以及DICOM如何运作
qq_35524189的博客
06-02 1万+
一.什么是DICOM 定义： DICOM 就是医学数字成像和传输协议（Digital Imaging and COmmunications in Medicine）的简称，多年来致力于创造最广泛和根本的数字医学成像标准。比如，DICOM 提供使医学成像数据能够在诊断中被精确地表达和处理的所有工具。此外，与普遍看法相反，DICOM不只是图像或者文件，他是数据传输、存储和显示协议的总和。 PACS 图像传输和归档系统（Picture Archiving and CommunicationSystems）。PAC
无人机视角航拍河道巡检植被淤泥垃圾检测数据集VOC+YOLO格式2777张12类别
FL1623863129的博客
12-06 283
标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["bridges","buildings","cultverts","drinage_manmade","drinage_natural","obstacles","potholes","river_vegitation","rivers","rocks","silts","trash"]drinage_natural (自然排水沟) 框数 = 307。标注数量(txt文件个数)：2777。
智慧城市道路路面垃圾检测数据集VOC+YOLO格式3321张17类别
FL1623863129的博客
12-06 338
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)colored_glass_bottles (彩色玻璃瓶) 框数 = 273。plastic_bottle (塑料瓶) 框数 = 1260。pile_of_leaves (落叶堆) 框数 = 392。glass_bottle (玻璃瓶) 框数 = 260。plastic_bag (塑料袋) 框数 = 714。cans (易拉罐) 框数 = 686。
易拉罐凹陷，变形等缺陷识别数据集，1326张标注图片，正确识别率可达98.5%,支持yolo，coco json，pascal voc xml格式的标注
网易搬砖头
12-04 393
训练指标：标签：CrumbledDentedPancakedPristine数据集拆分训练集：2783图片验证集：265图片测试集133图片预处理自动定向： 应用调整大小： 拉伸至 640x640灰度： 应用增强翻转： 水平旋转角度： 介于 -15° 和 +15° 之间模糊： 最高 2.5 像素。
yolov8通过百度飞桨AIstudio平台搭建
最新发布
huibin.yun的博客
12-08 528
百度飞桨AIstudio平台搭建的环境如下：但是需要参照教程自己重新搭建，因为它的环境公开的只能1GB文件，但超过了1GB，只能筛选，所以不全。具体操作步骤，包括免费使用百度飞桨AIstudio平台的教程也是参考如下博客。
MAR-YOLOv9：革新农业检测，YOLOv9的“低调”逆袭
Coovally_AI的博客
12-04 712
为了解决这些问题，本研究提出了一种基于YOLOv9的轻量级、跨数据集增强的农业领域目标检测方法，命名为多适应性识别-YOLOv9（MAR-YOLOv9）。MAR-YOLOv9解决了传统YOLOv9中由于检测颈部和辅助分支结构导致的训练时间过长和权重冗余问题，使其能够在保持高性能的同时降低模型的计算复杂度并提高检测速度，从而更适用于实时检测任务。这是一种专门为农业领域设计的轻量级跨数据集增强目标检测方法，它不仅在YOLOv9的基础上实现了显著突破，更在复杂多变的农业场景中展现出了令人瞩目的性能表现。
基于深度学习的35种鸟类检测系统演示与介绍(YOLOv12/v11/v8/v5模型+Pyqt5界面+训练代码+数据集)
ningfoshao8678的博客
12-05 725
本文介绍了一个基于YOLO系列算法的鸟类识别系统，支持35种鸟类的实时检测。系统采用Python3.10开发，前端界面使用PyQt5，数据库为SQLite。通过对比YOLOv5/v8/v11/v12模型性能，发现YOLO12n精度最高(mAP40.6%)，YOLO11n速度最优(56.1ms)。系统功能包括多模态检测(图片/视频/摄像头)、模型切换、用户管理等，在4000张图片的数据集上训练后，mAP@0.5达到99.5%。该技术为生态监测和科普教育提供了高效工具。
LabelImage+YOLOv8 图片单一目标检测模型训练
这里是一位在代码世界深耕多年的 “老江湖” 的自留地。​ 岁月在履历上添了厚度，却没磨掉敲代码时眼里的光。从调试第一行 hello world 的生涩，到架构复杂系统的从容，那些在键盘敲击声里流过的日夜，都想在这里慢慢梳理
12-03 943
图片单一目标检测的核心是「简化类别、聚焦图片场景」：LabelImage 确保标注准确，YOLOv8 通过参数优化实现快速训练，全程无需处理视频，流程更简洁、效率更高。关键要点：类别数 = 1，标注、转换、配置全程保持一致。图片样本需覆盖多样场景（角度、大小、背景）。训练用轻量化模型（yolov8n.pt），推理时调整conf阈值适配图片。
番茄成熟度检测和识别3：基于深度学习YOLOv12神经网络实现番茄成熟度检测和识别(含训练代码、数据集和GUI交互界面)
修行之路
12-07 587
番茄成熟度检测和识别3：基于深度学习YOLOv12神经网络实现番茄成熟度检测和识别(含训练代码、数据集和GUI交互界面)
【AI加持】基于PyQt5+YOLOv8+DeepSeek的结核杆菌检测系统（详细介绍）
懷淰メ的博客
12-04 1144
本文介绍了一套基于PyQt5、YOLOv8和DeepSeek的结核杆菌智能检测系统。该系统通过YOLOv8算法实现高效精准的结核杆菌目标检测，结合PyQt5构建可视化操作界面，支持多数据源输入和检测结果评估。核心功能包括用户登录注册、图像检测、结果导出及多维可视化分析（热力图、直方图等）。系统采用CSV存储数据，利用多线程技术保障流畅运行，为实验室提供了一套集自动化检测与智能分析于一体的解决方案，显著提升了结核病诊断效率和准确性。
多尺度注意力
03-11
例如，在DICAM架构中，设计了深 inception 和 channel-wise attention modules 来改善水下图像质量，这表明此类技术不仅限于标准视觉任务，还可以针对特定领域优化性能表现[^2]。 对于表情识别这样的实际应用案例而...
评论 4
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Snu77

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值