<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Limiiiing的博客]]></title><description><![CDATA[带你轻松学会YOLO。Learn YOLO easily, use YOLO effortlessly！]]></description><link>https://blog.youkuaiyun.com/qq_42591591</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; qq_42591591]]></copyright><item><title><![CDATA[【YOLO26多模态融合改进】| SDFM 表层细节融合模块，利用通道-空间注意力机制，实现跨模态特征融合，抑制噪声干扰]]></title><link>https://blog.youkuaiyun.com/qq_42591591/article/details/166362282</link><guid>https://blog.youkuaiyun.com/qq_42591591/article/details/166362282</guid><author>qq_42591591</author><pubDate>Thu, 24 Sep 2026 08:23:37 +0800</pubDate><description><![CDATA[本文记录的是利用SDFM 模块改进 YOLO26 的多模态融合部分。SDFM模块（Surface Detail Fusion Module，表层细节融合模块） 通过在特征提取网络的浅层引入通道-空间注意力机制，动态生成跨模态特征融合权重。该模块可自适应保留不同模态中的独特信息，抑制背景噪声与光照干扰，实现低层细节的精准对齐与互补增强，为后续检测提供高保真度的底层特征表示，从而提升模型在复杂场景下的目标检测鲁棒性与定位准确性。Rethinking the necessity of image fusion i]]></description><category></category></item><item><title><![CDATA[【YOLO26多模态融合改进】| PSFM，深层语义融合模块 引入跨模态交叉注意力机制，动态建模不同模态特征的全局语义依赖关系]]></title><link>https://blog.youkuaiyun.com/qq_42591591/article/details/166362328</link><guid>https://blog.youkuaiyun.com/qq_42591591/article/details/166362328</guid><author>qq_42591591</author><pubDate>Thu, 24 Sep 2026 08:23:17 +0800</pubDate><description><![CDATA[本文记录的是利用PSFM 模块改进 YOLO26 的多模态融合部分。PSFM模块（Profound Semantic Fusion Module，深层语义融合模块） 通过在特征提取网络的深层引入跨模态交叉注意力机制，动态建模红外与可见光特征的全局语义依赖关系。该模块以可见光语义为引导、红外热信号为补充，通过双向注意力计算实现“语义类别”与“热目标位置”的精准对齐，同时捕捉长距离语义关联，增强融合特征的判别性与场景理解能力，为检测头提供包含全局上下文的高层语义表示，从而提升模型在复杂场景下的目标检测准确率与语]]></description><category></category></item><item><title><![CDATA[【YOLO26多模态融合改进】| CGA Fusion：内容引导的注意力融合模块，空间权重引导的多模态特征自适应融合]]></title><link>https://blog.youkuaiyun.com/qq_42591591/article/details/166362235</link><guid>https://blog.youkuaiyun.com/qq_42591591/article/details/166362235</guid><author>qq_42591591</author><pubDate>Wed, 23 Sep 2026 08:25:45 +0800</pubDate><description><![CDATA[本文记录的是利用CGA Fusion 模块改进 YOLO26 的多模态融合部分。（Content-Guided Attention Fusion）通过内容引导注意力生成空间权重，引导高低层特征的自适应融合。本文利用模块，通过内容引导注意力生成空间权重，自适应地融合两个模态的特征，在特征融合阶段实现跨模态语义对齐与噪声抑制，增强对不同模态互补特征的利用能力，从而提升模型在多模态场景下的检测鲁棒性与准确性。DEA-Net: Single image dehazing based on detail-enhanc]]></description><category></category></item><item><title><![CDATA[【YOLO26多模态融合改进】| CFT：跨模态融合Transformer | 利用Transformer的自注意力机制，解决跨模态融合中的长距离依赖和全局信息整合问题]]></title><link>https://blog.youkuaiyun.com/qq_42591591/article/details/166362100</link><guid>https://blog.youkuaiyun.com/qq_42591591/article/details/166362100</guid><author>qq_42591591</author><pubDate>Wed, 23 Sep 2026 08:25:10 +0800</pubDate><description><![CDATA[本文记录的是利用 CFT 模块改进 YOLO26 的多模态目标检测网络模型。的设计出发点在于解决传统多模态检测中跨模态特征融合不充分的问题，即当不同模态数据需协同检测时，基于CNN的方法因局部卷积的局限性，难以捕捉长距离依赖和全局模态间的互补信息，导致复杂光照、遮挡等场景下检测精度不足。本文利用模块，将多模态特征序列拼接后自动学习模态内与模态间的交互权重，在特征提取阶段整合全局上下文信息，增强对不同模态互补特征的利用能力，从而提升模型在多模态场景下的检测鲁棒性与准确性。Cross-Modality Fusi]]></description><category></category></item><item><title><![CDATA[【YOLO26多模态融合改进】在前期、中期、中后期、后期多模态融合中添加P6大目标检测层，完整步骤及代码]]></title><link>https://blog.youkuaiyun.com/qq_42591591/article/details/166250188</link><guid>https://blog.youkuaiyun.com/qq_42591591/article/details/166250188</guid><author>qq_42591591</author><pubDate>Tue, 22 Sep 2026 10:03:50 +0800</pubDate><description><![CDATA[主题： YOLO26的多模态融合改进中增加P6大目标检测层方式： 分别在前期融合、中期融合、中-后期融合、后期融合中增加P6多模态融合检测层。内容： 包含融合方式详解以及完整配置步骤，开箱即用，一键运行。原始模型结构如下：
二、有效特征层对应的检测头类别
2.1 P3/8 - small检测头

原始模型中的对应的检测头主要用于检测相对较小的目标。其特征图大小相对较大，空间分辨率较高。
适合检测尺寸大概在到像素左右的目标。

2.2 P4/16 - medium检测头

这个检测头对应的经过了更多的下采样操]]></description><category></category></item><item><title><![CDATA[【YOLO26单模态融合改进】普通数据集的双模型融合改进，涉及中期、中后期、后期融合方式的完整配置步骤以及二次改进方案]]></title><link>https://blog.youkuaiyun.com/qq_42591591/article/details/166342420</link><guid>https://blog.youkuaiyun.com/qq_42591591/article/details/166342420</guid><author>qq_42591591</author><pubDate>Tue, 22 Sep 2026 10:03:14 +0800</pubDate><description><![CDATA[在网络中间层（骨干网络与颈部网络之间）对多模态特征进行融合。]]></description><category></category></item><item><title><![CDATA[【YOLO26多模态融合改进】在前期、中期、中后期、后期多模态融合中添加P2小目标检测层，完整步骤及代码]]></title><link>https://blog.youkuaiyun.com/qq_42591591/article/details/166250053</link><guid>https://blog.youkuaiyun.com/qq_42591591/article/details/166250053</guid><author>qq_42591591</author><pubDate>Mon, 21 Sep 2026 16:40:03 +0800</pubDate><description><![CDATA[主题： YOLO26的多模态融合改进中增加P2小目标检测层方式： 分别在前期融合、中期融合、中-后期融合、后期融合中增加P2多模态融合检测层。内容： 包含融合方式详解以及完整配置步骤，开箱即用，一键运行。原始模型结构如下：
二、有效特征层对应的检测头类别
2.1 P3/8 - small检测头

原始模型中的对应的检测头主要用于检测相对较小的目标。其特征图大小相对较大，空间分辨率较高。
适合检测尺寸大概在到像素左右的目标。

2.2 P4/16 - medium检测头

这个检测头对应的经过了更多的下采样操]]></description><category></category></item><item><title><![CDATA[【YOLO26多模态融合改进】（可见光+红外）涉及像素级融合、特征级融合（中期、中后期、后期）、决策级融合的完整配置步骤以及二次改进方案]]></title><link>https://blog.youkuaiyun.com/qq_42591591/article/details/166248071</link><guid>https://blog.youkuaiyun.com/qq_42591591/article/details/166248071</guid><author>qq_42591591</author><pubDate>Mon, 21 Sep 2026 16:26:08 +0800</pubDate><description><![CDATA[在网络输入阶段将多模态数据直接合并，形成统一的特征表示。]]></description><category></category></item><item><title><![CDATA[【YOLOv10多模态融合改进】| TGRS 2026 CIFusion 通道交互融合 全局通道自适应权重 + 双向残差模态互通，缓解模态互抑提升小目标精度]]></title><link>https://blog.youkuaiyun.com/qq_42591591/article/details/164716714</link><guid>https://blog.youkuaiyun.com/qq_42591591/article/details/164716714</guid><author>qq_42591591</author><pubDate>Fri, 11 Sep 2026 08:32:16 +0800</pubDate><description><![CDATA[航拍可见光（RGB）与红外双模态图像存在天然互补性：RGB富含车辆纹理、色彩、边缘细节，但暗光、遮挡、雾霾场景信噪比极低；红外依靠热辐射凸显弱小车辆，但缺失精细轮廓、易受云层热杂波干扰。采用固定相加、简单通道拼接等静态融合方式，无自适应权重分配，RGB纹理极易淹没红外弱小目标热特征，或红外灰度覆盖RGB区分性细节；仅单向特征补充，缺少双向跨模态信息流通，两分支无法互相弥补自身缺陷，模态冲突严重；]]></description><category></category></item><item><title><![CDATA[【YOLOv8多模态融合改进】| TGRS 2026 CIFusion 通道交互融合 全局通道自适应权重 + 双向残差模态互通，缓解模态互抑提升小目标精度]]></title><link>https://blog.youkuaiyun.com/qq_42591591/article/details/164716802</link><guid>https://blog.youkuaiyun.com/qq_42591591/article/details/164716802</guid><author>qq_42591591</author><pubDate>Thu, 10 Sep 2026 08:48:11 +0800</pubDate><description><![CDATA[航拍可见光（RGB）与红外双模态图像存在天然互补性：RGB富含车辆纹理、色彩、边缘细节，但暗光、遮挡、雾霾场景信噪比极低；红外依靠热辐射凸显弱小车辆，但缺失精细轮廓、易受云层热杂波干扰。采用固定相加、简单通道拼接等静态融合方式，无自适应权重分配，RGB纹理极易淹没红外弱小目标热特征，或红外灰度覆盖RGB区分性细节；仅单向特征补充，缺少双向跨模态信息流通，两分支无法互相弥补自身缺陷，模态冲突严重；]]></description><category></category></item><item><title><![CDATA[【RT-DETR多模态融合改进】| TGRS 2026 CIFusion 通道交互融合 全局通道自适应权重 + 双向残差模态互通，缓解模态互抑提升小目标精度]]></title><link>https://blog.youkuaiyun.com/qq_42591591/article/details/164717087</link><guid>https://blog.youkuaiyun.com/qq_42591591/article/details/164717087</guid><author>qq_42591591</author><pubDate>Thu, 10 Sep 2026 08:47:45 +0800</pubDate><description><![CDATA[航拍可见光（RGB）与红外双模态图像存在天然互补性：RGB富含车辆纹理、色彩、边缘细节，但暗光、遮挡、雾霾场景信噪比极低；红外依靠热辐射凸显弱小车辆，但缺失精细轮廓、易受云层热杂波干扰。采用固定相加、简单通道拼接等静态融合方式，无自适应权重分配，RGB纹理极易淹没红外弱小目标热特征，或红外灰度覆盖RGB区分性细节；仅单向特征补充，缺少双向跨模态信息流通，两分支无法互相弥补自身缺陷，模态冲突严重；]]></description><category></category></item><item><title><![CDATA[【YOLOv13多模态融合改进】| TGRS 2026 CIFusion 通道交互融合 全局通道自适应权重 + 双向残差模态互通，缓解模态互抑提升小目标精度]]></title><link>https://blog.youkuaiyun.com/qq_42591591/article/details/164716529</link><guid>https://blog.youkuaiyun.com/qq_42591591/article/details/164716529</guid><author>qq_42591591</author><pubDate>Wed, 09 Sep 2026 09:53:41 +0800</pubDate><description><![CDATA[航拍可见光（RGB）与红外双模态图像存在天然互补性：RGB富含车辆纹理、色彩、边缘细节，但暗光、遮挡、雾霾场景信噪比极低；红外依靠热辐射凸显弱小车辆，但缺失精细轮廓、易受云层热杂波干扰。采用固定相加、简单通道拼接等静态融合方式，无自适应权重分配，RGB纹理极易淹没红外弱小目标热特征，或红外灰度覆盖RGB区分性细节；仅单向特征补充，缺少双向跨模态信息流通，两分支无法互相弥补自身缺陷，模态冲突严重；]]></description><category></category></item><item><title><![CDATA[【YOLOv12多模态融合改进】| TGRS 2026 CIFusion 通道交互融合 全局通道自适应权重 + 双向残差模态互通，缓解模态互抑提升小目标精度]]></title><link>https://blog.youkuaiyun.com/qq_42591591/article/details/164716440</link><guid>https://blog.youkuaiyun.com/qq_42591591/article/details/164716440</guid><author>qq_42591591</author><pubDate>Wed, 09 Sep 2026 09:50:00 +0800</pubDate><description><![CDATA[航拍可见光（RGB）与红外双模态图像存在天然互补性：RGB富含车辆纹理、色彩、边缘细节，但暗光、遮挡、雾霾场景信噪比极低；红外依靠热辐射凸显弱小车辆，但缺失精细轮廓、易受云层热杂波干扰。采用固定相加、简单通道拼接等静态融合方式，无自适应权重分配，RGB纹理极易淹没红外弱小目标热特征，或红外灰度覆盖RGB区分性细节；仅单向特征补充，缺少双向跨模态信息流通，两分支无法互相弥补自身缺陷，模态冲突严重；]]></description><category></category></item><item><title><![CDATA[RT-DETR改进策略【卷积层】| CVPR2025 ARConv自适应矩形卷积 双维度尺度学习+动态采样，多尺度地物特征精准提取]]></title><link>https://blog.youkuaiyun.com/qq_42591591/article/details/162665955</link><guid>https://blog.youkuaiyun.com/qq_42591591/article/details/162665955</guid><author>qq_42591591</author><pubDate>Tue, 08 Sep 2026 21:28:37 +0800</pubDate><description><![CDATA[普通卷积采用固定方形窗口、采样点数量预设固定，无法贴合长条/窄小地物轮廓，多尺度特征提取失效；DCN等可变形卷积需要逐采样点学习偏移，参数量随核尺寸平方暴涨，小遥感数据集极易难收敛，且不能动态增减采样点；金字塔多尺度卷积仅预设固定多组核，无法根据每个像素处地物真实尺寸自适应匹配感受野，跨尺度特征融合精度低。针对以上缺陷提出ARConv，仅学习高、宽两个维度参数，自适应生成矩形卷积窗口，并依据尺度动态调整采样点数量，兼顾空间自适应与低计算开销，适配遥感多尺度地物特征提取与全色、多光谱融合任务。]]></description><category></category></item><item><title><![CDATA[RT-DETR改进策略【Neck】| TGRS 2025 HFFE分层特征融合编码器 深浅尺度对齐 + 层级注意力加权，强化单模态小目标分层特征融合]]></title><link>https://blog.youkuaiyun.com/qq_42591591/article/details/162665926</link><guid>https://blog.youkuaiyun.com/qq_42591591/article/details/162665926</guid><author>qq_42591591</author><pubDate>Tue, 08 Sep 2026 20:29:28 +0800</pubDate><description><![CDATA[单幅图像内部浅层特征富含纹理、边缘细粒度细节，深层特征承载全局语义与大尺度上下文，但深浅特征尺度不统一、语义差距明显。深浅特征尺度不一致、语义鸿沟较大，直接叠加易引入浅层杂乱纹理噪声、深层平滑背景冗余信息；无自适应权重分配机制，浅层微小目标细节易被深层全局背景覆盖，小目标特征被淹没；缺少跨层级双向信息交互，无法同步融合浅层精细细节与深层全局语义信息。]]></description><category></category></item><item><title><![CDATA[计算机视觉数据集下载目录 | 涉及遥感、声呐、SAR、多模态、医学、农业、异常/缺陷检测、日常生活目标等]]></title><link>https://blog.youkuaiyun.com/qq_42591591/article/details/162937151</link><guid>https://blog.youkuaiyun.com/qq_42591591/article/details/162937151</guid><author>qq_42591591</author><pubDate>Mon, 07 Sep 2026 09:38:05 +0800</pubDate><description><![CDATA[专栏内整理了大量常用的计算机视觉相关图像数据集，包括但不限于：遥感🛰️、多模态🧩、海洋声呐🌊、SAR📡、异常/缺陷🛠️、医学🧬、农业🌱、日常场景📸等。]]></description><category></category></item><item><title><![CDATA[RT-DETR改进策略【Neck】| CVPR2025 LCA轻量交叉注意力 跨层级双向引导 + 分层降噪增强，提升微小目标特征表达]]></title><link>https://blog.youkuaiyun.com/qq_42591591/article/details/162687374</link><guid>https://blog.youkuaiyun.com/qq_42591591/article/details/162687374</guid><author>qq_42591591</author><pubDate>Mon, 07 Sep 2026 08:47:20 +0800</pubDate><description><![CDATA[简单相加、拼接融合无法建立深浅层双向约束关系，浅层微小目标易被深层背景覆盖，深层全局信息难以修正浅层噪声；普通单路自注意力仅单一层内建模依赖，缺少跨层级特征互引导机制，深浅特征信息割裂；标准多头跨注意力计算量大、参数量高，轻量化单模态检测/分割网络部署困难，无法区分前景目标与背景噪声。为此设计单模态轻量化交叉注意力LCA，构建浅层细节、深层语义双分支双向引导结构，轻量完成跨层级特征交互，同步降噪并强化单模态微小目标特征。]]></description><category></category></item><item><title><![CDATA[【YOLOv11多模态融合改进】| TGRS 2026 CIFusion 通道交互融合 全局通道自适应权重 + 双向残差模态互通，缓解模态互抑提升小目标精度]]></title><link>https://blog.youkuaiyun.com/qq_42591591/article/details/162763376</link><guid>https://blog.youkuaiyun.com/qq_42591591/article/details/162763376</guid><author>qq_42591591</author><pubDate>Sun, 06 Sep 2026 17:12:25 +0800</pubDate><description><![CDATA[航拍可见光（RGB）与红外双模态图像存在天然互补性：RGB富含车辆纹理、色彩、边缘细节，但暗光、遮挡、雾霾场景信噪比极低；红外依靠热辐射凸显弱小车辆，但缺失精细轮廓、易受云层热杂波干扰。采用固定相加、简单通道拼接等静态融合方式，无自适应权重分配，RGB纹理极易淹没红外弱小目标热特征，或红外灰度覆盖RGB区分性细节；仅单向特征补充，缺少双向跨模态信息流通，两分支无法互相弥补自身缺陷，模态冲突严重；]]></description><category></category></item><item><title><![CDATA[NEU‑CLS & NEU‑CLS‑64热轧钢带表面缺陷分类数据集介绍、下载]]></title><link>https://blog.youkuaiyun.com/qq_42591591/article/details/164372255</link><guid>https://blog.youkuaiyun.com/qq_42591591/article/details/164372255</guid><author>qq_42591591</author><pubDate>Sun, 06 Sep 2026 17:11:55 +0800</pubDate><description><![CDATA[NEU‑CLS & NEU‑CLS‑64热轧钢带表面缺陷分类 数据集🛠️：数据集介绍、下载📥 | 目标分类｜原始图像✅｜分类标签✅]]></description><category></category></item><item><title><![CDATA[VTUAV 可见光‑红外双模态无人机航拍目标检测数据集介绍、下载及YOLO/VOC/COCO训练格式转换]]></title><link>https://blog.youkuaiyun.com/qq_42591591/article/details/164367282</link><guid>https://blog.youkuaiyun.com/qq_42591591/article/details/164367282</guid><author>qq_42591591</author><pubDate>Sun, 06 Sep 2026 17:11:33 +0800</pubDate><description><![CDATA[TUAV-DET 数据集🌑：数据集介绍、下载📥 | 目标检测 | 多模态🧩 | 水平框📌｜原始图像✅｜VOC 标签✅ | COCO 标签✅ | YOLO 标签✅]]></description><category></category></item></channel></rss>