YOLOv10改进策略【Neck】| 利用YOLOv13的超图关联增强结构 优化颈部网络 增强多尺度感知

一、本文介绍

本文记录的是利用YOLOv13的超图结构优化YOLOv10的颈部。

超图关联增强阶段（HyperACE 模块）以多尺度特征图为输入，通过自适应超图计算，动态生成超边并进行超图卷积，实现特征聚合与增强。在加入YOLOv10中以后，通过包含基于 C3AH 模块的全局高阶感知分支和基于 C2fCIB 块的局部低阶感知分支，同时保留快捷连接信息，实现全局 - 局部、高 - 低阶的互补视觉关联感知。

---

专栏目录：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

专栏地址：YOLOv10改进专栏——以发表论文的角度，快速准确的找到有效涨点的创新点！

---

二、超图关联增强模块原理介绍

🧠 2.1、HyperACE模块整体架构

设计目标：解决传统目标检测中局部卷积和成对注意力（pairwise attention）无法建模高阶多对多语义关联的问题（如“人-杯子-桌子”的复杂交互）。

代码实现：

class HyperACE(nn.Module):
    def __init__(self, c1, c2