- 博客(1382)
- 资源 (2)
- 收藏
- 关注
RSS订阅
原创 YOLOv13改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
1️⃣ 已更新种不同的改进方案，专栏内的每篇文章皆，均可顺利运行。2️⃣ 订阅专栏即可进群获取以及从的各种答疑内容。3️⃣ 全新的YOLOv13改进专栏，，只为更好的满足论文发表的要求。专栏内容，专栏实时评分，全网最高，质量保证。🎫。。
2025-08-25 08:29:58
5158
19
原创 《多模态融合改进》目录一览 | 专栏介绍 ：全网 第一份 完整的多模态改进教程，提供《多模态模型改进完整项目包》-开箱即用
在大家订阅专栏后，便可获得多模态模型改进完整项目包-开箱即用，方便简单
2025-04-15 13:31:46
7406
22
原创 YOLOv12改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
1️⃣ 什么！不知道如何改进模型⁉️ 本专栏所使用并改进的每一个模块均包含详细的模块分析、原理讲解、个人总结、多种改进方式以及完整的修改流程，所有改进100%可直接运行，性价比极高。2️⃣ 找不到合适的模块⁉️ 所有改进点均为近三年顶会，顶刊提出的先进算法，将其融入到中，并进行二次创新，新颖度高，创新度高，能够适应不同的任务场景。3️⃣ 不确定自己改进的步骤、结果是否正确⁉️ 订阅专栏即可进群享受模型训练、模型改进、论文写作、投稿选刊，从入门到论文的各种答疑内容，非常适合新手。4️⃣ 团队内发表数篇SCI论
2025-03-10 22:00:24
15629
85
原创 YOLO训练/写作脚本目录一览 | 涉及标签格式转换、数据扩充、热力图、感受野、精度曲线、数量统计等近百个脚本文件
在大家购买专栏后，便可获得全部的脚本文件。在获取到文件后，只需按照将程序放在个人项目中即可一键运行。
2024-12-30 16:02:54
2168
2
原创 YOLOv8改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
1️⃣本专栏已更新150多种不同的改进方法，所使用并改进的每一个模块均包含详细的模块分析、原理讲解、个人总结、多种改进方式以及完整的修改流程，所有改进100%可直接运行。2️⃣所有改进点均为近三年顶会，顶刊提出的先进算法，将其融入到中，紧跟学术热点，适应不同的任务场景。3️⃣团队内发表数篇SCI论文，熟悉完整的发表流程，订阅专栏即可进群享受模型训练、模型改进、论文写作、投稿选刊，从入门到论文的各种答疑内容。4️⃣专栏内容会持续更新，最近更新时间：2024-12-24。项目介绍在大家购买专栏后，加入学
2024-12-24 13:26:10
9443
21
原创 RT-DETR改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
1️⃣本专栏已更新260多种不同的改进方法，所使用并改进的每一个模块均包含详细的模块分析、原理讲解、个人总结、多种改进方式以及完整的修改流程，所有改进100%可直接运行。2️⃣所有改进点均为近三年顶会，顶刊提出的先进算法，将其融入到中，紧跟学术热点，适应不同的任务场景。3️⃣团队内发表数篇SCI论文，熟悉完整的发表流程，订阅专栏即可进群享受模型训练、模型改进、论文写作、投稿选刊，从入门到论文的各种答疑内容。4️⃣专栏内容会持续更新，最近更新时间：2024-12-4。项目介绍在大家购买专栏后，加入学习
2024-12-03 20:39:23
20828
81
原创 YOLOv11改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
如今各种网络模型更新迭代越来越快，计算机视觉相关的文章也越来越多，多到一些普通，通用的改进点无法达到发表的要求。本专栏正是解决这个问题！如何寻找创新点？为什么要使用这个模块？如何才能提升模型的精度？这是贯穿我们研究始终的问题。创新点在这个专栏中我已经整理好了，这已经省去了大部分时间，但是当我们使用这些新的模块去优化已有的模型，如何才能提升模型的精度，才是我们要达到的最终目标。当然我们可以使用传统的A+B+C的方法去堆积模块，然后是进行大量的实验去排列组合以实现最终的精度提升，这无可厚非。
2024-10-11 15:10:44
46792
317
原创 YOLOv10改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
如何寻找创新点？为什么要使用这个模块？如何才能提升模型的精度？这是贯穿我们研究始终的问题。创新点在这个专栏中我已经整理好了，这已经省去了大部分时间，但是当我们使用这些新的模块去优化已有的模型，如何才能提升模型的精度，才是我们要达到的最终目标。当然我们可以使用传统的A+B+C的方法去堆积模块，然后是进行大量的实验去排列组合以实现最终的精度提升，这无可厚非。
2024-10-11 12:33:51
9732
10
原创 YOLOv9改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
如何寻找创新点？为什么要使用这个模块？如何才能提升模型的精度？这是贯穿我们研究始终的问题。创新点在这个专栏中我已经整理好了，这已经省去了大部分时间，但是当我们使用这些新的模块去优化已有的模型，如何才能提升模型的精度，才是我们要达到的最终目标。当然我们可以使用传统的A+B+C的方法去堆积模块，然后是进行大量的实验去排列组合以实现最终的精度提升，这无可厚非。
2024-09-20 15:24:43
3867
3
原创 YOLOv13改进策略【Conv和Transformer】| TGRS 2024：MDAF 多尺度双表示对齐滤波器，结合空间和频域特征
MDAF模块全称为多尺度双表示对齐滤波器（Multiscale Dual-Representation Alignment Filter）。
2026-01-04 15:57:06
29
原创 YOLOv8改进策略【Backbone/主干网络】|替换HGNetV2骨干，包含RT-DETR中的l、x模型
本文记录的是基于HGNetv2的YOLOv8目标检测改进方法研究。本文利用HGNetv2替换YOLOv8的骨干网络，HGNetv2 通过其 GPU 推理友好的 3×3 标准卷积和层次化 HG Block 结构，能够为骨干网络提供高效且完整的特征提取能力。并且其中的和可在降低计算量的同时丰富特征表达，增强对多尺度目标特征的捕获能力，进而提高模型精度。本文配置了原论文中rtdetr-lrtdetr-x，以满足不同算力和检测精度的需求。
2026-01-04 15:56:42
32
原创 YOLOv10改进策略【Conv和Transformer】| TGRS 2024：MDAF 多尺度双表示对齐滤波器，结合空间和频域特征
MDAF模块全称为多尺度双表示对齐滤波器（Multiscale Dual-Representation Alignment Filter）。
2026-01-04 15:56:15
28
原创 【YOLOv11多模态融合改进】| 自研 多模态大核选择模块：MM_LSK，适配多模态图像信息融合
本文记录的利用改进的多模态大核选择模块（MM-LSK）优化YOLOv11，构建可见光-红外双模态目标检测网络。在遥感等大尺寸图像的可见光-红外双模态小目标检测任务中，单模态检测易受光照、云雾、背景干扰等因素影响，且小目标外观信息匮乏，无法仅基于单模态外观实现较好的识别，因此需要融合双模态互补特性与广泛的跨模态上下文信息进行辅助。
2026-01-04 15:53:16
423
原创 【YOLOv12多模态融合改进】| 自研 多模态大核选择模块：MM_LSK，适配多模态图像信息融合
本文记录的利用改进的多模态大核选择模块（MM-LSK）优化YOLOv12，构建可见光-红外双模态目标检测网络。在遥感等大尺寸图像的可见光-红外双模态小目标检测任务中，单模态检测易受光照、云雾、背景干扰等因素影响，且小目标外观信息匮乏，无法仅基于单模态外观实现较好的识别，因此需要融合双模态互补特性与广泛的跨模态上下文信息进行辅助。
2026-01-04 15:52:56
20
原创 【YOLOv11多模态融合改进】| 自研 多模态上下文引导模块：MM_ContextGuided，适配多模态图像信息融合
本文记录的。MM-CG block通过和，同步挖掘可见光的细节局部特征、红外的热特征周围环境及双模态融合后的全局环境信息，。本文将其应用到YOLOv11中双模态适配的二次，使。
2025-12-31 14:37:14
39
原创 YOLOv11改进策略【Conv和Transformer】| TGRS 2024：MDAF 多尺度双表示对齐滤波器，结合空间和频域特征
MDAF模块全称为多尺度双表示对齐滤波器（Multiscale Dual-Representation Alignment Filter）。
2025-12-31 08:56:51
367
原创 RT-DETR改进策略【Conv和Transformer】| TGRS 2024：MDAF 多尺度双表示对齐滤波器，结合空间和频域特征
MDAF模块全称为多尺度双表示对齐滤波器（Multiscale Dual-Representation Alignment Filter）。
2025-12-31 08:55:55
183
原创 【YOLOv13多模态融合改进】| 自研 多模态大核选择模块：MM_LSK，适配多模态图像信息融合
本文记录的利用改进的多模态大核选择模块（MM-LSK）优化YOLOv13，构建可见光-红外双模态目标检测网络。在遥感等大尺寸图像的可见光-红外双模态小目标检测任务中，单模态检测易受光照、云雾、背景干扰等因素影响，且小目标外观信息匮乏，无法仅基于单模态外观实现较好的识别，因此需要融合双模态互补特性与广泛的跨模态上下文信息进行辅助。
2025-12-30 14:52:46
122
原创 【YOLOv10多模态融合改进】| 自研 多模态大核选择模块：MM_LSK，适配多模态图像信息融合
本文记录的利用改进的多模态大核选择模块（MM-LSK）优化YOLOv10，构建可见光-红外双模态目标检测网络。在遥感等大尺寸图像的可见光-红外双模态小目标检测任务中，单模态检测易受光照、云雾、背景干扰等因素影响，且小目标外观信息匮乏，无法仅基于单模态外观实现较好的识别，因此需要融合双模态互补特性与广泛的跨模态上下文信息进行辅助。
2025-12-30 14:52:23
18
原创 【YOLOv8多模态融合改进】| 自研 多模态大核选择模块：MM_LSK，适配多模态图像信息融合
本文记录的利用改进的多模态大核选择模块（MM-LSK）优化YOLOv8，构建可见光-红外双模态目标检测网络。在遥感等大尺寸图像的可见光-红外双模态小目标检测任务中，单模态检测易受光照、云雾、背景干扰等因素影响，且小目标外观信息匮乏，无法仅基于单模态外观实现较好的识别，因此需要融合双模态互补特性与广泛的跨模态上下文信息进行辅助。
2025-12-29 12:39:40
30
原创 【RT-DETR多模态融合改进】| 自研 多模态大核选择模块：MM_LSK，适配多模态图像信息融合
本文记录的利用改进的多模态大核选择模块（MM-LSK）优化RT-DETR，构建可见光-红外双模态目标检测网络。在遥感等大尺寸图像的可见光-红外双模态小目标检测任务中，单模态检测易受光照、云雾、背景干扰等因素影响，且小目标外观信息匮乏，无法仅基于单模态外观实现较好的识别，因此需要融合双模态互补特性与广泛的跨模态上下文信息进行辅助。
2025-12-29 12:39:16
203
原创 【YOLOv12多模态融合改进】| 自研 多模态上下文引导模块：MM_ContextGuided，适配多模态图像信息融合
本文记录的。MM-CG block通过和，同步挖掘可见光的细节局部特征、红外的热特征周围环境及双模态融合后的全局环境信息，。本文将其应用到YOLOv12中双模态适配的二次，使。
2025-12-26 09:11:41
54
原创 【YOLOv13多模态融合改进】| 自研 多模态上下文引导模块：MM_ContextGuided，适配多模态图像信息融合
本文记录的。MM-CG block通过和，同步挖掘可见光的细节局部特征、红外的热特征周围环境及双模态融合后的全局环境信息，。本文将其应用到YOLOv13中双模态适配的二次，使。
2025-12-26 09:11:19
30
原创 【YOLOv10多模态融合改进】| 自研 多模态上下文引导模块：MM_ContextGuided，适配多模态图像信息融合
本文记录的。MM-CG block通过和，同步挖掘可见光的细节局部特征、红外的热特征周围环境及双模态融合后的全局环境信息，。本文将其应用到YOLOv10中双模态适配的二次，使。
2025-12-25 13:02:10
26
原创 【YOLOv8多模态融合改进】| 自研 多模态上下文引导模块：MM_ContextGuided，适配多模态图像信息融合
本文记录的。MM-CG block通过和，同步挖掘可见光的细节局部特征、红外的热特征周围环境及双模态融合后的全局环境信息，。本文将其应用到YOLOv8中双模态适配的二次，使。
2025-12-24 09:03:06
160
原创 【RT-DETR多模态融合改进】| 自研 多模态上下文引导模块：MM_ContextGuided，适配多模态图像信息融合
本文记录的利用改进的多模态上下文引导模块优化RT-DETR的可见光-红外双模态目标检测。MM-CG block通过局部特征提取器（适配可见光模态）、周围环境提取器（适配红外模态）、联合特征提取器和全局环境提取器，同步挖掘可见光的细节局部特征、红外的热特征周围环境及双模态融合后的全局环境信息，充分利用跨模态互补信息与不同层次的。本文将其应用到RT-DETR中双模态适配的二次，使应对复杂场景下多类别目标的检测任务，提升跨模态目标的分类与定位。1️⃣ 首先将可见光模态特征输入局部特征提取器floc(∗)f_{lo
2025-12-24 09:02:43
253
原创 【YOLOv13多模态融合改进】| 自研 多尺度跨模态频域融合模块：MM_MDAF，适配多模态图像信息融合
本文记录的是利用优化多模态目标检测网络模型。通过多尺度水平/垂直条形卷积分别强化可见光细节与红外轮廓特征并统一尺度，搭配跨模态交叉注意力机制实现双模态特征的精准语义对齐，同时动态筛选互补信息、抑制冗余噪声，在不大幅增加计算成本、保障实时检测需求的前提下，有效弥补了跨模态特征融合的短板，显著提升复杂场景下小目标、模糊目标的检测精准度。可见光图像与红外图像作为典型的异质模态数据，具有天然的互补性：可见光图像在光照充足场景下能提供丰富的纹理细节、色彩信息和空间结构；红外图像不受光照条件限制，可精准捕捉目标的热辐射
2025-12-23 08:43:28
170
原创 【YOLOv12多模态融合改进】| 自研 多尺度跨模态频域融合模块：MM_MDAF，适配多模态图像信息融合
可见光图像与红外图像作为典型的异质模态数据，具有天然的互补性：可见光图像在光照充足场景下能提供丰富的纹理细节、色彩信息和空间结构；红外图像不受光照条件限制，可精准捕捉目标的热辐射特征与轮廓信息，有效穿透烟雾、雾霾等复杂环境。然而，两者存在显著的模态差异（可见光聚焦 “视觉细节”，红外聚焦 “热特征”），直接融合易导致细节丢失、轮廓模糊或特征冲突。
2025-12-23 08:43:03
36
原创 YOLOv12改进策略【Conv和Transformer】| TGRS 2024：MDAF 多尺度双表示对齐滤波器，结合空间和频域特征
MDAF模块全称为多尺度双表示对齐滤波器（Multiscale Dual-Representation Alignment Filter）。
2025-12-22 09:50:41
216
原创 YOLOv11改进策略【Backbone/主干网络】|替换HGNetV2骨干，包含RT-DETR中的l、x模型
本文记录的是基于HGNetv2的YOLOv11目标检测改进方法研究。本文利用HGNetv2替换YOLOv11的骨干网络，HGNetv2 通过其 GPU 推理友好的 3×3 标准卷积和层次化 HG Block 结构，能够为骨干网络提供高效且完整的特征提取能力。并且其中的和可在降低计算量的同时丰富特征表达，增强对多尺度目标特征的捕获能力，进而提高模型精度。本文配置了原论文中rtdetr-lrtdetr-x，以满足不同算力和检测精度的需求。
2025-12-22 09:50:20
290
原创 YOLOv10改进策略【Backbone/主干网络】|替换HGNetV2骨干，包含RT-DETR中的l、x模型
本文记录的是基于HGNetv2的YOLOv10目标检测改进方法研究。本文利用HGNetv2替换YOLOv10的骨干网络，HGNetv2 通过其 GPU 推理友好的 3×3 标准卷积和层次化 HG Block 结构，能够为骨干网络提供高效且完整的特征提取能力。并且其中的和可在降低计算量的同时丰富特征表达，增强对多尺度目标特征的捕获能力，进而提高模型精度。本文配置了原论文中rtdetr-lrtdetr-x，以满足不同算力和检测精度的需求。
2025-12-21 10:54:00
41
原创 YOLOv13改进策略【Backbone/主干网络】|替换HGNetV2骨干，包含RT-DETR中的l、x模型
本文记录的是基于HGNetv2的YOLOv13目标检测改进方法研究。本文利用HGNetv2替换YOLOv13的骨干网络，HGNetv2 通过其 GPU 推理友好的 3×3 标准卷积和层次化 HG Block 结构，能够为骨干网络提供高效且完整的特征提取能力。并且其中的和可在降低计算量的同时丰富特征表达，增强对多尺度目标特征的捕获能力，进而提高模型精度。本文配置了原论文中rtdetr-lrtdetr-x，以满足不同算力和检测精度的需求。
2025-12-21 10:53:42
188
原创 【RT-DETR多模态融合改进】| 自研 多尺度跨模态频域融合模块：MM_MDAF，适配多模态图像信息融合
本文记录的是利用优化多模态目标检测网络模型。通过多尺度水平/垂直条形卷积分别强化可见光细节与红外轮廓特征并统一尺度，搭配跨模态交叉注意力机制实现双模态特征的精准语义对齐，同时动态筛选互补信息、抑制冗余噪声，在不大幅增加计算成本、保障实时检测需求的前提下，有效弥补了跨模态特征融合的短板，显著提升复杂场景下小目标、模糊目标的检测精准度。可见光图像与红外图像作为典型的异质模态数据，具有天然的互补性：可见光图像在光照充足场景下能提供丰富的纹理细节、色彩信息和空间结构；红外图像不受光照条件限制，可精准捕捉目标的热辐射
2025-12-20 15:40:19
190
原创 YOLOv8改进策略【Conv和Transformer】| TGRS 2024：MDAF 多尺度双表示对齐滤波器，结合空间和频域特征
MDAF模块全称为多尺度双表示对齐滤波器（Multiscale Dual-Representation Alignment Filter）。
2025-12-20 15:39:32
126
原创 【YOLOv10多模态融合改进】| 自研 多尺度跨模态频域融合模块：MM_MDAF，适配多模态图像信息融合
可见光图像与红外图像作为典型的异质模态数据，具有天然的互补性：可见光图像在光照充足场景下能提供丰富的纹理细节、色彩信息和空间结构；红外图像不受光照条件限制，可精准捕捉目标的热辐射特征与轮廓信息，有效穿透烟雾、雾霾等复杂环境。然而，两者存在显著的模态差异（可见光聚焦 “视觉细节”，红外聚焦 “热特征”），直接融合易导致细节丢失、轮廓模糊或特征冲突。
2025-12-19 10:09:10
44
原创 【YOLOv8多模态融合改进】| 自研 多尺度跨模态频域融合模块：MM_MDAF，适配多模态图像信息融合
本文记录的是利用优化多模态目标检测网络模型。通过多尺度水平/垂直条形卷积分别强化可见光细节与红外轮廓特征并统一尺度，搭配跨模态交叉注意力机制实现双模态特征的精准语义对齐，同时动态筛选互补信息、抑制冗余噪声，在不大幅增加计算成本、保障实时检测需求的前提下，有效弥补了跨模态特征融合的短板，显著提升复杂场景下小目标、模糊目标的检测精准度。可见光图像与红外图像作为典型的异质模态数据，具有天然的互补性：可见光图像在光照充足场景下能提供丰富的纹理细节、色彩信息和空间结构；红外图像不受光照条件限制，可精准捕捉目标的热辐射
2025-12-19 10:08:39
139
原创 YOLOv13改进策略【Conv和Transformer】| CVPR 2023：Super Token Attention 超级令牌注意力机制
本文记录的是利用机制优化的目标检测网络模型。传统视觉Transformer的全局自注意力机制虽能捕捉长程依赖，但计算复杂度与令牌数量呈二次关系，资源占用极大；局部注意力或早期卷积虽降低了计算量，却牺牲了全局建模能力，且浅层存在高冗余。借鉴超像素思想，通过稀疏关联学习将视觉令牌聚合为语义紧凑的超令牌，在超令牌空间高效执行自注意力以捕捉全局依赖，再通过令牌上采样映射回原始令牌空间，将复杂的全局注意力分解为稀疏关联图与低维注意力的乘积，实现了高效且有效的全局上下文建模，同时保留局部特征表达能力。Vision Tr
2025-12-18 12:33:27
147
原创 【YOLOv11多模态融合改进】| 自研 多尺度跨模态频域融合模块：MM_MDAF，适配多模态图像信息融合
可见光图像与红外图像作为典型的异质模态数据，具有天然的互补性：可见光图像在光照充足场景下能提供丰富的纹理细节、色彩信息和空间结构；红外图像不受光照条件限制，可精准捕捉目标的热辐射特征与轮廓信息，有效穿透烟雾、雾霾等复杂环境。然而，两者存在显著的模态差异（可见光聚焦 “视觉细节”，红外聚焦 “热特征”），直接融合易导致细节丢失、轮廓模糊或特征冲突。
2025-12-18 11:08:38
498
原创 YOLOv12改进策略【Conv和Transformer】| CVPR 2023：Super Token Attention 超级令牌注意力机制
本文记录的是利用机制优化的目标检测网络模型。传统视觉Transformer的全局自注意力机制虽能捕捉长程依赖，但计算复杂度与令牌数量呈二次关系，资源占用极大；局部注意力或早期卷积虽降低了计算量，却牺牲了全局建模能力，且浅层存在高冗余。借鉴超像素思想，通过稀疏关联学习将视觉令牌聚合为语义紧凑的超令牌，在超令牌空间高效执行自注意力以捕捉全局依赖，再通过令牌上采样映射回原始令牌空间，将复杂的全局注意力分解为稀疏关联图与低维注意力的乘积，实现了高效且有效的全局上下文建模，同时保留局部特征表达能力。Vision Tr
2025-12-17 13:25:14
213
指数加权移动平均平滑-Python实现
2024-10-24
高斯滤波-Python实现
2024-10-24
Savitzky-Golay滤波-Python实现
2024-10-24
移动平均平滑算法-Python实现
2024-10-24
RT-DETR官方最新源码资源
2024-10-24
小波卷积论文：Wavelet Convolutions for Large Receptive Fields
2024-10-24
模型的剪枝和蒸馏，实现方法和步骤
2024-12-18
TA创建的收藏夹 TA关注的收藏夹
TA关注的人