- 博客(837)
- 收藏
- 关注
RSS订阅原创 YOLOv13涨点改进 | NeurIPS2025最佳论文！注意力改进篇| 引入Gated Attention门控注意力模块、太牛了！直接拯救了大模型的发展，助力目标检测、图像分割、图像分类有效涨点
本文提出了一种基于GatedAttention门控机制的YOLOv13改进方案。通过在注意力机制中引入头部特定的sigmoid门控，该方案显著提升了模型性能：1)增强了对关键信息的聚焦能力，提高了检测精度；2)门控机制的非线性和稀疏性减少了冗余计算，提升推理效率；3)改善了训练稳定性，允许使用更大学习率。实验表明，该方法在复杂场景和长距离目标检测中表现优异。文章详细介绍了模块原理、核心代码实现及4种改进配置方案，为YOLO系列模型的性能优化提供了新的技术路径。
2025-12-31 17:34:22
139
原创 YOLOv11涨点改进 | NeurIPS2025最佳论文！注意力改进篇| 引入Gated Attention门控注意力模块、太牛了！直接拯救了大模型的发展，助力目标检测、图像分割、图像分类有效涨点
本文提出了一种基于门控注意力机制(GatedAttention)的YOLOv11改进方法。该模块通过在标准注意力机制中引入头部特定的sigmoid门控，有效提升了模型性能和训练稳定性。实验表明，GatedAttention能够增强模型对关键信息的聚焦能力，减少无关区域关注，提高检测精度。同时，门控机制带来的非线性和稀疏性优化了计算效率，并缓解了训练不稳定性问题。文章详细介绍了模块原理、实现代码及三种改进方案配置方法，为YOLOv11在复杂场景下的目标检测提供了有效解决方案。
2025-12-31 16:05:52
259
原创 YOLOv13涨点改进 | 全网独家二次创新、特征融合改进篇 | AAAI 2026 | 引入GMAFusion门控调制注意力融合模块，二次创新，通过自适应特征调制和融合，助力YOLOv13有效涨点
本文提出了一种基于GMAFusion门控调制注意力融合模块改进的YOLOv13网络模型。该模块通过自适应特征调制和融合，显著提升了模型的多尺度特征提取能力、特征融合效果和感受野扩展能力，增强了对复杂场景和小物体检测的适应性。GMAFusion模块结合了空间注意力、通道注意力和先验感知特征调制，利用门控机制动态调节信息流，突出重要特征并抑制冗余信息。实验表明，改进后的模型在精度和鲁棒性方面均有提升，尤其在注释不完全或背景复杂的情况下表现突出。文章详细介绍了模块原理、代码实现及YOLOv13的集成方法。
2025-12-31 15:08:40
169
原创 YOLOv13涨点改进 | 全网独家改进、特征增强创新篇 | AAAI 2026 | 引入EFM增强特征模块，适合用于跳跃链接处增强特征提取，提供更准确、更稳定的效果，万能即插即用模块！
本文提出EFM增强特征模块用于改进YOLOv13目标检测模型。EFM通过多分支结构结合不同尺度的卷积核（1x3,3x1等）和膨胀卷积，增强多尺度特征提取能力并扩展感受野。模块采用残差连接避免梯度消失，通过特征融合提升模型对小物体和大物体的检测性能。实验表明，EFM在保持计算效率的同时显著提升了YOLOv13的检测精度。文章详细介绍了EFM的网络结构、实现原理和代码实现，并提供了两种改进配置方案（yolov13n_EFM.yaml和yolov13n_DSC3k2_EFM.yaml）
2025-12-31 14:42:58
39
原创 YOLOv13涨点改进 | 全网独家唯一改进、特征融合创新篇 | AAAI 2026 | 引入PFMM先验知识感知特征调制模块，在面对复杂背景、遮挡或相似物体时，提供更准确、稳定的检测结果，发文热点！
本文通过引入先验感知特征调制模块(PFMM)改进YOLOv13网络。PFMM模块整合了操作区域和真实区域的先验知识，采用特征调制和坐标注意力机制，有效增强了模型的特征区分能力和定位精度。实验表明，该方法在弱监督设置下超越了现有全监督方法的性能，显著提升了复杂场景下的检测稳定性和泛化能力。文章详细介绍了网络架构、模块原理、实现代码及配置方法，为图像篡改检测领域提供了新的技术思路。
2025-12-28 20:03:24
69
原创 YOLOv13涨点改进 | 全网独家创新、HyperACE、特征增强创新篇 | AAAI 2026 | 引入CFEM通道感知特征增强模块，通过通道感知特征增强、通道分组以及多尺度特征融合，助力有效涨点
本文提出了一种CFEM(通道感知特征增强模块)显著提升目标检测性能。CFEM采用通道分组、特征增强和多尺度融合技术，增强模型在复杂背景下对篡改区域的识别能力。该方法包含先验感知特征调制模块(PFMM)和门控自适应融合模块(GAFM)，结合自监督训练和结构一致性损失，在弱监督条件下实现了超越全监督方法的性能。实验表明，该方法在平均性能上优于现有方法，并提高了小物体检测精度和特征融合能力。文章还提供了完整的YOLOv13改进方案和配置指南。
2025-12-28 17:53:46
63
原创 YOLOv13涨点改进 | 全网首发、特征融合创新篇 | AAAI 2026 | 引入GAFM 门控自适应融合模块，能够有效增强特征表示，并抑制冗余的背景信息，适合目标检测、图像融合、图像分割高效涨点
本文提出了一种改进YOLOv13网络模型的方法，通过引入DAAttn差异感知注意力融合模块和GAFM门控自适应融合模块，显著提升了目标检测性能。GAFM模块采用多分支通道分割和自适应动态融合技术，通过门控机制调节信息流，有效增强篡改区域特征表示并抑制背景噪声。该方法在复杂背景和微小变化场景下表现出色，提高了模型精度和鲁棒性，同时保持较高计算效率。文章详细介绍了模块结构、实现原理和配置方法，并提供了三种改进版本的YAML配置文件，为YOLOv13的优化提供了实用解决方案。
2025-12-28 17:03:04
200
原创 YOLOv13涨点改进 | 首发全网创新、主干改进篇 | AAAI 2026 | 引入PVTv2主干改进 YOLOv13主干网络！采用金字塔结构，增强多尺度特征提取、全局与局部信息结合的表示能力！
本文提出将PVTv2主干网络应用于YOLOv13目标检测框架，显著提升了模型在多尺度目标检测、小物体识别和复杂场景下的性能。PVTv2通过金字塔结构实现多尺度特征提取，结合全局和局部信息，在保持YOLO系列高效实时性的同时增强了精度和跨域适应能力。文章详细介绍了6种PVTv2主干网络变体(pvt_v2_b0-b5)的实现方法，包括核心代码解析、模型集成步骤和YAML配置文件修改指南。实验结果表明，该方法能有效提升细粒度特征处理能力，改善小物体和遮挡物体的检测效果，适用于复杂多变的检测环境。
2025-12-28 16:09:59
139
原创 【DEIM创新改进】全网独家首发、ELAM增强特征提取创新篇 | ACM 2025顶会 | 引入 LGFB 局部-全局融合模块，同时提升局部细节捕捉和全局上下文理解能力,在变化检测、小目标检测表现出色
本文提出了一种基于局部-全局融合模块(LGFB)改进的DEIM网络模型，通过结合滑动窗口自注意力(SWSA)和高效全局自注意力(EGSA)机制，显著提升了目标检测的精度和鲁棒性。LGFB模块能够同时捕捉细粒度局部变化和大范围全局信息，有效减少背景噪声干扰，提高对小目标的检测敏感度。实验表明，该方法在复杂场景和多目标检测任务中表现优异，同时保持了计算效率。文章详细介绍了LGFB的网络结构、工作原理和实现优势，并提供了完整的代码实现和模块添加指南，为遥感变化检测等应用提供了高效解决方案。
2025-12-26 21:43:38
466
原创 【DEIM创新改进】全网独家首发、特征融合创新篇 | ACM 2025顶会 | 引入DAAttn差异感知注意力融合模块，通过动态调整注意力，使模型更准确地识别关键内容，提高精度、并减少冗余计算
本文提出了一种改进的DEIM网络模型，通过引入DAAttn（差异感知注意力融合）模块来提升变化检测任务的性能。该模块能有效识别复杂背景下的微小变化，提高检测精度和鲁棒性，同时减少噪声干扰。DAAttn通过动态加权差异信息，重点关注显著变化区域，抑制无关变化（如光照、天气等），在保持计算效率的同时提升小目标和细节变化的检测能力。实验表明，改进后的DEIM模型在动态变化和复杂场景下表现更优，为遥感变化检测提供了高效可靠的解决方案。
2025-12-26 21:03:57
109
原创 【RT-DETR涨点改进】全网独家首发、特征融合创新篇 | ACM 2025顶会 | 引入DAAttn差异感知注意力融合模块，通过动态调整注意力，使模型更准确地识别关键内容，提高精度、并减少冗余计算
本文提出了一种改进RT-DETR网络的DAAttn（差异感知注意力融合）模块，用于提升变化检测任务的性能。该模块通过动态加权差异信息，有效区分有意义变化与噪声（如光照、天气变化），显著提高了模型在复杂背景和微小变化场景下的检测精度。DAAttn采用反转注意力机制，增强对显著差异区域的关注，同时保持计算效率。实验表明，改进后的模型在精度、鲁棒性和小目标检测能力方面均有提升。文章详细介绍了模块原理、网络结构、实现代码及配置方法，并提供了三种改进版本的yaml配置文件（rtdetr-l/r18/r50)
2025-12-26 13:11:54
88
原创 【RT-DETR涨点改进】全网独家首发、细节涨点创新篇 | ACM 2025顶会 | 引入 LGFB 局部-全局融合模块，同时提升局部细节捕捉和全局上下文理解能力,在变化检测、小目标检测表现出色
本文提出了一种改进RT-DETR网络的局部-全局融合模块(LGFB)，通过结合滑动窗口自注意力(SWSA)和高效全局自注意力(EGSA)，使模型能同时捕捉局部细节和全局上下文信息。LGFB模块显著提升了目标检测精度，特别是在复杂场景和小目标检测中，同时保持计算效率。文章详细介绍了LGFB的结构原理、优势特性，并提供了完整的代码实现和配置方法，包括4种不同的改进方案(yaml配置文件)。该改进有效平衡了性能与资源消耗，适用于遥感图像等需要多尺度特征融合的应用场景。
2025-12-26 13:11:49
294
原创 YOLOv11涨点改进 | 全网独家首发、特征融合创新篇 | ACM 2025顶会 | 引入DAAttn差异感知注意力融合模块，通过动态调整注意力，使模型更准确地识别关键内容，提高精度、并减少冗余计算
本文提出了一种基于DAAttn（差异感知注意力融合）模块改进的YOLOv11模型，用于提升变化检测任务的性能。DAAttn模块通过动态加权特征差异，有效区分有意义变化与噪声（如光照、天气变化），显著提高了模型在复杂场景下的检测精度。该模块采用反转注意力机制，重点关注显著差异区域，同时减少计算冗余。实验表明，改进后的模型在保持计算效率的同时，能够更准确地识别小目标和细节变化。文章详细介绍了DAAttn的原理、优势、实现代码及其在YOLOv11中的集成方法，并提供了两种改进配置方案。
2025-12-26 12:38:50
166
原创 YOLOv11涨点改进 | 全网独家首发、细节涨点创新篇 | ACM 2025顶会 | 引入 LGFB 局部-全局融合模块，同时提升局部细节捕捉和全局上下文理解能力,在变化检测、小目标检测表现出色
本文提出了一种改进YOLOv11模型的局部-全局融合模块(LGFB)，通过结合滑动窗口自注意力(SWSA)和高效全局自注意力(EGSA)，有效提升了目标检测的精度和鲁棒性。LGFB模块能够同时捕捉细粒度的局部特征和大范围的全局上下文信息，特别适用于复杂场景下的多目标检测任务。实验结果表明，该方法在保持实时检测性能的同时，显著提高了对小目标的敏感度，并减少了背景噪声干扰。文章详细介绍了LGFB的网络结构、原理及优势，并提供了完整的核心代码实现和模型配置指南，为YOLOv11的性能优化提供了创新性解决方案。
2025-12-26 12:28:58
99
原创 YOLOv13涨点改进 | 全网独家首发、特征融合创新篇 | ACM 2025顶会 | 引入DAAttn差异感知注意力融合模块，通过动态调整注意力，使模型更准确地识别关键内容，提高精度、并减少冗余计算
本文提出了一种改进YOLOv13网络模型的DAAttn（差异感知注意力融合）模块，用于提升变化检测任务的性能。该模块通过动态加权差异信息，有效区分有意义变化与噪声（如光照、天气变化），从而提高检测精度和鲁棒性。DAAttn采用1×1卷积生成查询和键矩阵，通过反转注意力掩码聚焦显著差异区域，结合Hadamard积输出差异感知特征。实验表明，该模块在保持计算效率的同时，显著提升了小目标和细节变化的检测能力。文章详细介绍了模块原理、核心代码实现及YAML配置文件修改方法，YOLOv13在复杂场景下的目标检测。
2025-12-26 01:30:37
212
原创 YOLOv13涨点改进 | 全网独家首发、细节涨点创新篇 | ACM 2025顶会 | 引入 LGFB 局部-全局融合模块，同时提升局部细节捕捉和全局上下文理解能力,在变化检测、小目标检测表现出色
本文提出了一种改进YOLOv13目标检测模型的新方法,局部-全局融合模块(LGFB)。该模块通过结合滑动窗口自注意力(SWSA)和高效全局自注意力(EGSA)，使模型能够同时捕捉局部细节和全局上下文信息。实验结果表明，LGFB显著提升了YOLOv13在复杂场景下的检测精度，特别是在小目标检测和背景噪声抑制方面表现优异。文章详细介绍了LGFB的网络结构、实现原理和核心代码，并提供了三种改进配置方案(yaml文件)，为YOLOv13的性能优化提供了新的技术路径。
2025-12-26 01:11:49
65
原创 【DEIM创新改进】全网独家下采样改进、细节涨点篇 | TGRS 2025 | DEIM模型引入PWD参数化小波下采样模块，减少下采样过程中小目标的关键细节丢失，即插即用，助力高效涨点发论文
本文提出了一种参数化小波下采样（PWD）模块，用于改进DEIM架构中的下采样过程，显著提升小目标检测性能。PWD通过小波变换保留目标细节、增强频率域特征表达，并采用双分支设计保持空间-频率一致性。实验表明，该模块在红外图像和低光场景中表现优异，能有效抑制噪声并提高检测准确率。文章详细介绍了PWD的原理、优势及实现代码，并提供了将其集成到DEIM框架的具体步骤。这种改进特别适用于检测弱纹理和低对比度目标，为小目标检测任务提供了新的解决方案。
2025-12-20 00:42:12
118
原创 【DEIM创新改进】全网独家，注意力创新改进篇 | TGRS 2025 | DEIM 引入DSPM双分支语义感知模块，同时提取局部和全局特征，增强特征表达，助力目标检测高效涨点
本文提出了一种基于U-Net架构的新型分层注意力融合网络HAFNet，通过双分支语义感知模块(DSPM)改进红外小目标检测性能。DSPM结合标准卷积和膨胀卷积的双分支结构，同时提取局部细节和全局上下文特征，并引入空间和通道注意力机制抑制背景噪声。实验表明，该方法在NUAA-SIRST等三个公开数据集上优于现有方法，特别在复杂背景下的多尺度目标检测中表现优异。文章还提供了完整的DSPM模块实现代码和模型集成指南。
2025-12-20 00:31:21
256
原创 【DEIM创新改进】全网独家首发、注意创新改进篇 | AAAI 2026 | DEIM 利用PATConv部分卷积注意力，轻量化改进，将视觉注意力机制与部分卷积结合，助力有效涨点
本文提出了一种创新的部分注意力卷积模块(PATConv)，通过并行化卷积和注意力机制显著提升了模型效率。该模块采用部分通道机制(PCM)将特征图分割为不同子集，分别应用卷积、注意力等操作，有效减少了计算量和内存占用。实验表明，PATConv在保持精度的同时显著提升了推理速度，适用于实时目标检测任务，尤其擅长处理小目标和遮挡目标。文章详细介绍了模块的网络结构、原理和优势，并提供了完整的核心代码实现及配置指南。该创新点通过动态调整通道拆分比例和自适应计算机制，在速度与精度之间取得了更好的平衡。
2025-12-20 00:21:08
99
原创 【DEIM创新改进】全网独家创新、特征融合改进篇 | SCI 一区 2025 | 通道拼接融合已过时！用 DPCF 给 DEIM 目标检测SOTA模型 加了“放大镜”，助力目标检测有效涨点
本文提出了一种用于提升小目标检测精度的DPCF（Detail-Preserving Contextual Fusion）模块，通过改进DEIM模型的特征融合方式，显著增强了多尺度特征融合质量。DPCF模块采用自适应门控机制，动态平衡高低分辨率特征的融合比例，在保留细节的同时整合语义信息。实验表明，该模块在红外小目标检测等任务中能提升约2.28%的IoU，同时保持较低计算开销。文章详细介绍了DPCF的网络结构、实现原理和代码实现，并提供了将其集成到DEIM模型中的具体操作步骤。
2025-12-19 23:55:42
107
原创 【DEIM创新改进】全网独家创新、特征融合改进篇 | TGRS 2025 | DEIM 引入HFFE高低频特征融合模块，增强多层次特征融合、小目标检测、噪声抑制，助力高效涨点
本文提出了一种基于HFFE（高低频特征融合模块）改进的DEIM网络模型，显著提升了目标检测性能。HFFE模块通过层次化特征融合和注意力机制，优化了多尺度特征融合，增强了小目标检测精度和定位准确性，尤其在复杂背景和低质量图像中表现优异。此外，HFFE有效抑制了背景噪声，改善了对目标区域的关注，使DEIM在噪声环境下仍保持高检测精度。实验结果表明，HFFE模块在多层次特征融合、小目标检测及噪声抑制等方面具有优势，大幅提升了目标检测的鲁棒性和准确性。本文还提供了详细的代码实现和改进步骤，便于读者快速应用。
2025-12-19 23:44:36
100
原创 【DEIM创新改进】独家首发创新、Conv卷积改进篇 | TGRS 2025 | DEIM 利用HLKConv分层大核卷积，大核卷积改进，同时捕捉小尺度与大尺度的有效感受野，助力目标检测有效涨点
本文提出将HLKConv（分层大核卷积）引入DEIM目标检测模型，以解决小目标检测中"大感受野与细粒度特征保留"的矛盾问题。HLKConv通过并行处理路径融合大核卷积的全局特征和基础卷积的局部细节，在保持轻量化的同时显著提升性能。实验表明，该方法在IRSTD-1k等数据集上使nIoU提升1.68%，误检率降低至1.7×10⁻⁶，且参数仅1.65M。文章详细介绍了HLKConv的原理、优势及实现代码，并提供了DEIM模型集成该模块的具体操作步骤，为小目标检测任务提供了有效的改进方案。
2025-12-19 23:28:08
69
原创 【DEIM创新改进】全网独家首发Conv改进篇 | SCI一区2025 | DEIM引入轻量级CGHalfConv通道分组半卷积模块，更细致地区分目标的边缘纹理、颜色、结构等关键信息，有效提升检测精度
本文提出了一种新型的GCHalf-convolution模块，通过通道分组与半卷积相结合的方式，显著提升了DEIM模型在资源受限环境下的性能。该模块将特征图通道分为三组，分别处理不同层次的特征（颜色形状、纹理细节、深层语义），同时采用半卷积机制减少计算量。实验表明，GCHalf-convolution能在保持模型轻量化的同时提升检测精度，特别适用于小目标、多类别等复杂场景。文章详细介绍了模块原理、实现方法及在DEIM模型中的集成步骤，为轻量化目标检测提供了有效的改进方案。
2025-12-19 23:15:52
73
原创 【DEIM创新改进】全网首发Conv独家创新改进篇 | CVPR 2025 | 引入GCConv金箍棒卷积改进DEIM模型，能够捕捉更加丰富和复杂的特征信息，特别适合复杂场景和多尺度目标的检测
本文提出了一种创新的GCConv模块及其在DEIM目标检测模型中的应用。该模块通过多路径结构增强特征学习能力，特别适合复杂场景和多尺度目标检测。GCConv的核心优势在于训练时采用垂直多卷积和水平多路径配置，推理时通过重参数化为单一3x3卷积，既保持了模型性能又显著提升了推理速度。实验结果表明，该方法在Cityscapes等数据集上优于现有模型，适用于智能监控、自动驾驶等实时场景。文章详细介绍了模块结构、实现原理、代码实现及部署方法，为研究者提供了完整的解决方案。
2025-12-19 14:16:42
89
原创 【DEIM创新改进】全网首发、Conv卷积改进篇 | AAAI 2026 | DEIM利用Strip R-CNN中的StripConv条形卷积，通过条形卷积有效地处理高纵横比物体，助力遥感目标检测涨点
本文提出一种基于StripConv条形卷积改进的DEIM网络模型，显著提升了高纵横比物体检测性能。该方法通过引入正交条形卷积核，有效捕捉细长物体特征，同时减少计算冗余。实验表明，改进后的StripR-CNN在DOTA等遥感数据集上达到82.75%的mAP，创下新记录。文章详细介绍了StripNet骨干网络的设计优势，包括高效处理长条形物体、增强定位精度和轻量化等特点，并提供了完整的代码实现和模块添加教程。该改进特别适用于遥感图像、小目标检测等场景，为相关领域研究提供了新的技术方案。
2025-12-19 14:04:40
68
原创 【DEIM创新改进】独家首发创新、Conv卷积改进篇 | AAAI 2026 | DEIM 引入PATConv部分注意力卷积，通过将视觉注意力机制与部分卷积结合，轻量化改进，助力有效涨点
本文提出了一种创新的PATConv部分注意力卷积模块，通过并行化卷积和注意力机制显著提升了DEIM网络模型的性能。该模块采用动态通道拆分和部分卷积操作，在保持高检测精度的同时，大幅降低了计算量和内存占用。实验表明，PATConv能有效处理复杂场景中的小目标或遮挡目标，在速度与精度之间取得更好平衡。文章详细介绍了PATConv的原理、结构、优势及实现方法，并提供了完整的代码实现和模型配置指南，为实时目标检测任务提供了高效解决方案。
2025-12-19 13:49:00
177
原创 【RT-DETR涨点改进】全网独家创新首发、细节涨点篇 | TGRS 2025顶刊 | 引入 Hint 先验特征提示模块，突出潜在目标区域，缓解红外小目标特征丢失，即插即用万能模块，助力高效涨点
本文提出了一种名为Hint的先验特征提示模块，用于增强RT-DETR目标检测框架对小目标的检测能力。该模块通过局部对比和响应差异构建提示特征，在网络前端提供显式先验信息，引导模型关注潜在目标区域，有效缓解小目标在早期下采样中的特征丢失问题。Hint模块不依赖深层语义，计算开销低（仅增加1.88ms），能显著提升小目标检测精度和泛化能力。实验在多个数据集上验证了其有效性，特别适用于红外小目标检测场景。文章还详细介绍了模块结构、实现原理和代码配置方法。
2025-12-19 01:04:16
157
原创 YOLOv11涨点改进 | 全网独家创新首发、细节涨点篇 | TGRS 2025顶刊 | 引入 Hint 先验特征提示模块，突出潜在目标区域，缓解红外小目标特征丢失，即插即用万能模块，助力高效涨点
本文提出了一种基于Hint先验特征提示思想的YOLOv11改进方法，通过在网络前端引入显式先验引导，有效缓解红外小目标检测中的特征丢失问题。Hint模块利用局部对比与响应差异构建提示特征，在浅层增强小目标可感知性，同时抑制背景干扰。该方法在几乎不增加计算开销的情况下，显著提升了检测精度和泛化能力。实验表明，改进后的模型在多个数据集上表现出色，误检率明显降低。文章详细介绍了Hint模块的原理、结构和实现方法，并提供了完整的代码配置指南。
2025-12-19 00:40:22
93
原创 YOLOv13涨点改进 | 全网独家创新首发、细节涨点篇 | TGRS 2025顶刊 | 引入 Hint 先验特征提示模块，突出潜在目标区域，缓解红外小目标特征丢失，即插即用万能模块，助力高效涨点
本文提出一种基于Hint先验特征提示的YOLOv13改进方法，通过在检测前端引入显式提示信息，有效缓解小目标检测中的特征丢失问题。Hint模块利用局部对比与响应差异构建提示特征，在不增加计算开销的情况下显著提升小目标检测精度。该方法与YOLOv13多尺度检测结构互补，在复杂场景中表现出更强的鲁棒性。实验证明，改进后的模型能有效抑制背景干扰，降低误检率，同时保持高效的推理速度。文章详细介绍了Hint模块的原理、实现方法及配置步骤，为小目标检测任务提供了新的解决方案。
2025-12-19 00:24:59
183
原创 【RT-DETR涨点改进】全网独家创新、Neck特征融合改进篇 | AAAI 2026 | 引入SMMM 结构感知多尺度掩码模块创新点，有效减少冗余信息、提升语义交互，助力目标检测高效涨点
本文提出了一种改进RT-DETR目标检测网络的结构感知多尺度掩码模块(SMMM)。该模块通过多尺度特征提取、显著性掩码机制和膨胀卷积融合等技术，有效增强模型对小目标和模糊边界的检测能力。SMMM采用深度可分离卷积提取多尺度特征，通过结构显著性掩码过滤冗余信息，并利用膨胀卷积增强上下文建模。实验表明，SMMM能显著提升检测精度，同时保持高效推理速度，适用于实时检测任务。文章详细介绍了SMMM的实现原理、核心代码和集成方法，为RT-DETR的改进提供了有效方案。
2025-12-18 14:42:10
385
原创 【RT-DETR涨点改进】全网独家创新、Neck特征融合改进篇 | TGRS 2025顶刊 | 引入STFFM时空特征融合模块创新点，通过注意力引导融合，背景噪声抑制，促进小目标特征增强，助力有效涨点
本文提出了一种基于STFFM（时空特征融合模块）改进的RT-DETR网络模型，通过在特征提取阶段实现空间外观信息与时间序列信息的早期融合，将单纯的空间建模扩展为时空联合建模。STFFM模块利用注意力机制自适应融合空间与时间特征，并通过残差结构增强目标表达能力，显著提升了模型在复杂背景、动态场景和小目标检测任务中的性能。实验结果表明，该方法有效降低了虚警和漏检率，增强了视频流和多帧场景下的实用性。文章详细介绍了STFFM模块的原理、优势及实现方法，并提供了完整的核心代码和配置指导。
2025-12-18 14:32:11
72
原创 【RT-DETR涨点改进】独家创新首发、Neck特征融合改进篇 | TGRS 2025顶刊 | RT-DETR引入HFFE高低频特征融合模块，增强多层次特征融合、噪声抑制，助力目标检测有效涨点
本文提出一种基于HFFE高低频特征融合模块改进的RT-DETR目标检测模型。HFFE通过层次化特征融合和注意力机制，有效增强多尺度特征交互，显著提升小目标检测精度和定位准确性，尤其在复杂背景和低质量图像中表现突出。该模块能抑制背景噪声，优化目标区域关注度，使模型在噪声环境下保持高检测性能。实验证明，HFFE显著提升了RT-DETR在多层次特征融合、小目标检测和噪声抑制等方面的能力，具有更强的鲁棒性和准确性。文中详细介绍了HFFE结构原理、核心代码实现及模型配置方法，为相关研究提供了实用参考。
2025-12-18 14:19:21
263
原创 【RT-DETR涨点改进】全网独家创新、特征融合改进篇 | TGRS 2025 顶刊 | 引入IIA信息集成注意力融合模块, 助力RT-DETR高效涨点，适合各种目标检测任务、即插即用
本文提出了一种改进RT-DETR目标检测性能的IIA（信息集成注意力融合）模块。该模块通过特征图连接、池化操作和卷积处理，实现了精确的位置信息重建和特征集成，显著提升了目标检测精度，特别是对小物体和复杂背景的处理能力。IIA模块具有轻量化设计、抗噪声干扰、增强信息融合等优势，在保持计算效率的同时优化了检测性能。文章详细介绍了IIA模块的网络结构、工作原理及实现代码，并提供了三种不同规模模型的yaml配置文件，展示了该模块在RT-DETR模型中的集成方法。实验结果表明，IIA模块能有效提高模型对多样化目标的检
2025-12-18 02:19:44
176
原创 【RT-DETR涨点改进】全网独家创新、细节涨点改进篇 | ACM 2025 顶会| 引入AAFM自适应对齐频率模块, 实现跨范式特征的深层对齐与融合, 在八个基准数据集上取得SOTA性能！
本文提出了一种基于自适应对齐频率模块(AAFM)的RT-DETR改进方法。AAFM采用两阶段渐进融合策略，通过稀疏提示通道自注意力(SPC-SA)和空间像素细化自注意力(SPR-SA)机制，有效解决了卷积局部特征与自注意力全局特征之间的不对齐问题。该方法包含复数FFT变换、自适应特征对齐和跨范式信息交互等关键技术，在多个RT-DETR变体(如r18、r50等)上实现了性能提升。文章详细介绍了AAFM的原理、实现代码、配置方法及7种改进方案的YAML配置文件，为RT-DETR模型的高效涨点提供了创新解决方案。
2025-12-18 02:01:49
62
原创 【RT-DETR涨点改进】全网首发，独家注意力创新篇 | ICCV 2025 | 引入MSA多尺度注意力模块，多尺度特征有助于全局感知和增强局部细节、助力小目标检测、遥感小目标检测有效涨点
本文提出了一种改进RT-DETR目标检测模型的多尺度注意力模块(MSA)。该模块通过构建多尺度特征金字塔，结合空间注意力机制和高效通道压缩技术，增强了模型对多尺度目标的特征提取能力。文章详细介绍了MSA的结构原理、7种改进方案及对应yaml配置，包括HGBlock、ResNetLayer等不同主干网络的适配方法。实验表明，MSA模块能显著提升检测精度，同时保持轻量高效特性。该改进方案可直接插入现有RT-DETR模型，为小目标检测和复杂场景提供了有效解决方案。
2025-12-18 01:37:13
224
原创 【RT-DETR涨点改进】全网独家创新、细节涨点改进篇 | SCI 一区 2025 | 引入RHDWT残差离散小波变换，下采样创新改进，增强图像特征表示，去除噪声的同时保留了图像细节，提升目标检测精度
本文提出将残差Haar离散小波变换(RHDWT)模块与RT-DETR结合，显著提升目标检测性能。RHDWT通过整合条纹噪声方向先验和数据驱动特征交互，增强图像特征表示，在保留细节的同时有效去除噪声。实验表明该方法在复杂背景和条纹噪声场景下表现优异，减少了误检漏检。文章详细介绍了RHDWT模块结构、实现原理，并提供了三种改进版RT-DETR的YAML配置文件(l/r18/r50)，包含模块集成、代码修改和配置指导，为红外图像处理和目标检测任务提供了创新解决方案。
2025-12-18 01:18:09
59
原创 【RT-DETR涨点改进】全网独家首发、Conv卷积创新改进篇 | TGRS 2025 | 引入HLKConv分层大核卷积创新改进，含HLKConvC3二次创新，含8种大核卷积改进，助力有效涨点
本文提出在RT-DETR模型中引入HLKConv（分层大核卷积）来提升小目标检测性能。HLKConv通过并行处理路径设计，在保持大感受野的同时保留细粒度特征，解决了传统大核卷积的网格伪影问题。实验表明，该方法在IRSTD-1k等数据集上显著提升了nIoU指标，同时保持轻量化特性（仅1.65M参数）。文章详细介绍了HLKConv的原理、优势，并提供了8种改进配置方案及完整的代码实现，为RT-DETR模型在小目标检测任务中的性能提升提供了有效解决方案。
2025-12-18 01:02:29
55
原创 【RT-DETR涨点改进】全网首发、Conv卷积改进篇 | AAAI 2026 | RT-DETR利用PATConv部分注意力卷积，含PATConvC3二次创新，轻量化改进，含8种改进助力有效涨点
本文提出了一种基于PATConv（部分注意力卷积）模块改进的RT-DETR目标检测网络。PATConv通过并行化卷积和注意力机制，将特征图通道划分为不同子集分别处理，显著提升了模型的计算效率和推理速度，同时保持较高的检测精度。该模块包含三种注意力块类型（通道/空间/自注意力）和动态通道拆分机制，可自适应调整计算复杂度。实验表明，改进后的模型在ImageNet分类和COCO检测任务中表现优异，尤其适合实时目标检测和小目标检测场景。文章详细介绍了PATConv的网络结构、原理、优势，并提供了8种改进配置方案。
2025-12-15 17:57:56
252
原创 【RT-DETR涨点改进】全网首发，Conv独家改进篇 | ICCV 2025 | 引入MRFAConv多尺度感受野注意力卷积创新改进，助力小目标检测、大目标检测检测任务高效涨点
本文提出MRFAConv模块用于改进RT-DETR目标检测模型，通过组合不同尺寸卷积核(7×7、9×9、11×11)扩展感受野，同时保持渐近高斯分布(AGD)。该模块采用三层感受野聚合器(RFA)设计，通过放大器(Amp)和判别器(Dis)实现多尺度特征融合，在提升检测精度的同时保持较低计算成本。实验表明，MRFAConv在ImageNet、COCO等数据集上优于现有CNN和ViT模型，如UniConvNet-T在30M参数下达到84.2%准确率。文章详细介绍了模块结构、核心代码及配置方法，提供8种改进方案
2025-12-15 17:15:00
219
原创 YOLOv11涨点改进 | 全网独家创新、Neck特征融合改进篇 | TGRS 2025顶刊 | 引入ADSF自适应特征融合模块，自适应融合浅层特征与深层特征，适合红外小目标检测、图像分割等有效涨点
本文提出一种ADSF自适应特征融合模块，用于改进YOLOv11网络模型的多尺度特征融合能力。该模块通过全局特征压缩、差异化通道建模和跨层相关性学习，动态调节浅层高分辨率特征与深层高语义特征的融合比例，在保留细节信息的同时增强语义判别能力。实验表明，ADSF模块能显著提升小目标和复杂背景下的检测精度，同时保持轻量计算开销。文章详细介绍了ADSF的原理、优势及在YOLOv11中的集成方法，并提供了三种改进配置方案，为提升目标检测性能提供了有效解决方案。
2025-12-13 21:37:17
136
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人