- 博客(769)
- 收藏
- 关注
RSS订阅原创 YOLOv11涨点改进 | 独家首发创新、Conv卷积改进篇 | TGRS 2025 | YOLOv11利用HLKConv分层大核卷积，含HLKConvC3k2二次创新，大核卷积改进，助力有效涨点
本文提出将HLKConv（分层大核卷积）引入YOLOv11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。HLKConv通过并行处理路径设计，同时捕捉全局关联性和局部细节，有效抑制空洞卷积伪影问题。实验表明，该改进在IRSTD-1k等数据集上显著提升nIoU指标，同时保持轻量化特性（模型参数仅1.65M）。文章详细介绍了HLKConv原理、优势及实现方法，包括核心代码、配置步骤和yaml文件修改指南，为YOLOv11在特定场景下的性能优化提供了有效解决方案。
2025-11-20 23:59:20
397
原创 YOLOv11涨点改进 | 全网创新首发、主干改进篇 | CVPR 2025 | RAVLT主干让 YOLOv11 更加强大！通过增强线性注意力机制，特别在小目标和复杂背景的检测上表现突出
本文提出RAVLT主干网络，通过改进YOLOv11的空间特征建模能力，显著提升小物体和复杂背景检测性能。RAVLT采用秩增强线性注意力(RALA)机制，在保持线性计算复杂度的同时解决传统线性注意力低秩问题。RALA通过增强KV缓冲区和输出特征矩阵的秩，提高特征多样性和建模能力。实验表明，RAVLT在ImageNet-1k上达到84.4% Top-1准确率，仅需2600万参数和4.6GFLOPs，性能优于现有线性注意力模型。文章详细介绍了RAVLT模块结构、实现原理及在YOLOv11中的集成方法，包含四种主干
2025-11-20 23:58:22
170
1
原创 YOLOv11涨点改进 | 全网独家创新！注意力改进篇 | CVPR 2025 | 引入RALA秩增强线性注意力模块、助力YOLOv11适合目标检测、图像分割、图像分类有效涨点
本文提出了一种秩增强线性注意力模块（RALA），用于改进YOLOv11的目标检测性能。RALA通过增强线性注意力机制的矩阵秩，有效解决了传统线性注意力在特征多样性和空间建模能力上的不足，同时保持线性计算复杂度。实验表明，RALA显著提升了模型在复杂场景和小物体检测中的表现，在ImageNet-1k上达到84.4%的Top-1准确率，计算成本仅为4.6GFLOPs。文章详细介绍了RALA的结构、原理和优势，并提供了完整的代码实现和配置指南，帮助开发者快速集成该模块到YOLOv11中。
2025-11-20 23:56:30
52
原创 YOLOv13涨点改进 | 独家首发创新、Conv卷积改进篇 | TGRS 2025 | YOLOv13利用HLKConv分层大核卷积，含HLKConvC3k2二次创新，大核卷积改进，助力有效涨点
本文提出将HLKConv（分层大核卷积）引入YOLOv13目标检测模型，以解决小目标和低对比度目标检测中的关键问题。HLKConv通过分层卷积方法平衡大感受野需求与细粒度特征保留，有效缓解空洞卷积的伪影干扰，同时保持计算效率。实验表明，HLKConv在红外小目标检测任务中显著提升性能，nIoU指标提高1.68%-2.17%，误检率降至极低水平。文章详细介绍了HLKConv的原理、优势及实现方法，并提供了两种改进配置方案，为提升YOLOv13在小目标检测任务中的性能提供了有效解决方案。
2025-11-20 23:47:06
300
原创 YOLOv13涨点改进 | 全网创新首发、主干改进篇 | CVPR 2025 | RAVLT主干让 YOLOv13 更加强大！通过增强线性注意力机制，特别在小目标和复杂背景的检测上表现突出
本文提出RAVLT主干网络改进YOLOv13，通过引入秩增强线性注意力(RALA)模块，显著提升模型性能。RALA解决了传统线性注意力机制的低秩问题，在保持线性计算复杂度的同时，实现了与Softmax注意力相当的性能表现。RAVLT包含四种变体(RAVLT_t/s/m/l)。改进后的模型特别提升了小物体和复杂背景下的检测能力，同时保持了实时性和计算效率。文章详细介绍了RALA模块的原理、结构优势，并提供了完整的代码实现和YAML配置文件修改指南。
2025-11-20 22:46:35
33
原创 YOLOv13涨点改进 | 全网独家创新！HyperACE改进、注意力改进篇 | CVPR 2025 | 引入RALA秩增强线性注意力模块、助力YOLOv13目标检测、图像分割、图像分类有效涨点
本文提出RALA（秩增强线性注意力）模块，通过改进YOLOv13的目标检测性能，特别是在复杂场景和小物体检测方面表现突出。RALA通过增强线性注意力机制的矩阵秩，有效提升了空间信息建模能力和特征多样性，同时保持线性计算复杂度。文章详细介绍了RALA模块的结构原理、核心代码实现，并提供了四种改进YOLOv13的配置方案（RALA、RALAC3k2、DSC3k2_RALABlock和HyperACE_RALA），包含完整的yaml配置文件和模块集成方法，为实时目标检测任务提供了高效解决方案。
2025-11-20 22:33:30
518
原创 YOLOv11涨点改进 | 全网独家创新、Conv卷积改进篇 | TGRS 2025 | YOLOv11利用LLSKM可学习的内核卷积，含LLSKMC3k2二次创新，助力红外小目标检测，有效涨点改进点
本文提出了一种基于可学习局部显著性核模块（LLSKM）的YOLOv11改进方案，显著提升了小目标检测性能，尤其在低对比度和复杂场景下表现突出。LLSKM通过模拟传统"中心减去邻域"的显著性机制，结合可学习的卷积核参数，优化了对目标边缘和点特征的提取能力。该模块引入扩张卷积增强多尺度感知，并采用轻量化设计（1D核分解）降低计算开销。实验表明，改进后的模型在红外小目标检测任务中显著优于基线方法，同时保持高效推理速度。文章详细介绍了模块原理、网络结构、核心代码实现及YOLOv11改进方法。
2025-11-18 23:55:11
276
原创 YOLOv11涨点改进 | 全网独家改进、注意力改进篇 | SCI 2025 | 引入SCSA空间和通道注意力协同模块、助力YOLOv11目标检测、图像分割、图像分类有效涨点
本文提出SCSA（空间与通道协同注意力）模块，用于改进YOLOv11网络模型。SCSA通过整合可共享多语义空间注意力（SMSA）和渐进通道自注意力（PCSA），有效缓解多语义信息差异，增强特征提取能力。实验表明，SCSA在ImageNet分类、COCO目标检测等任务中超越现有注意力方法，尤其在复杂场景下表现出更强的泛化能力和鲁棒性。该模块采用轻量化设计，结合空间引导和通道校准，显著提升了模型在多任务中的性能表现。
2025-11-18 23:53:08
436
原创 YOLOv13涨点改进 | 全网独家创新、Conv卷积改进篇 | TGRS 2025 | YOLOv13利用LLSKM可学习的内核卷积，含LLSKMC3k2二次创新，助力红外小目标检测，有效涨点改进点
本文提出了一种基于LLSKM模块改进的YOLOv13目标检测模型，显著提升了小目标检测能力，特别是在低对比度和复杂背景下的表现。LLSKM模块通过学习局部显著性内核，增强了对目标边缘和点状特征的提取能力，并利用扩张卷积提高多尺度目标检测精度。该模块采用轻量化设计，通过可学习内核动态调整检测特征，提高了网络的灵活性和可解释性。实验表明，改进后的模型在红外小目标检测任务中优于现有方法，同时保持了较高的计算效率。文章详细介绍了LLSKM的原理、网络结构、代码实现及配置方法，为相关研究提供了实用参考。
2025-11-18 23:45:40
209
原创 YOLOv13涨点改进 | 独家HyperACE改进、注意力改进篇 | SCI 2025 | 引入SCSA空间和通道注意力协同模块、助力YOLOv13目标检测、图像分割、图像分类有效涨点
本文提出了一种创新的SCSA（空间与通道协同注意力）模块，用于改进YOLOv13模型。SCSA通过整合多语义空间注意力（SMSA）和渐进通道自注意力（PCSA），有效缓解了语义差异问题，提升了特征提取能力。实验表明，SCSA在ImageNet分类、COCO目标检测等任务中表现优异，超越了现有注意力机制。文章详细介绍了SCSA的原理、结构优势（如轻量化设计、多任务适应性），并提供了完整的代码实现和YAML配置文件，指导读者如何将该模块集成到YOLOv13模型中，含三种改进方案，显著提升模型性能。
2025-11-18 20:09:08
334
原创 【RT-DETR涨点改进】全网独家首发、主干改进篇 | AAAI 2026 | PartialNet 主干让 RT-DETR 更加强大！引入部分通道机制 和 部分注意力卷积，全方面提升目标检测性能
本文提出了一种改进RT-DETR检测器的主干网络PartialNet，通过引入部分通道机制(PCM)和部分注意力卷积(PATConv)，在保持检测精度的同时显著提升了计算效率。该方法将特征图通道划分为不同部分，分别应用卷积、注意力等操作，减少了计算量和内存占用。PartialNet包含三种规格(PartialNet_s/m/l)，支持动态调整计算复杂度，在ImageNet-1K和COCO数据集上表现出色，特别适合实时目标检测和边缘计算场景。文章详细介绍了网络架构、核心优势及实现方法，包括代码修改步骤。
2025-11-18 14:20:27
153
原创 YOLOv8v10涨点改进 | YOLO联合Mamba火热发论文改进篇 | CVPR 2025| 引入EfficientViM 新型轻量级视觉Mamba，高效捕捉全局依赖，含二次创新、适合目标检测任务
本文介绍了EfficientViM模块在YOLOv8v10模型中的应用优化，这是一种基于Hidden State Mixer-based State Space Duality（HSM-SSD）的新型轻量级视觉架构。该模块通过减少计算复杂度、优化内存使用，显著提升了目标检测精度和推理速度，特别适合资源受限环境下的实时检测任务。文章详细阐述了EfficientViM的核心原理，包括HSM混合操作、SSD对偶性以及内存优化设计，并提供了完整的代码实现和配置方法。
2025-11-17 23:59:55
60
原创 YOLOv8v11涨点改进 | YOLO联合Mamba火热发论文改进篇 | AAAI 2025顶会 | Mamba-YOLO-L，利用SSM的高效全局建模能力，追求精度效率，适合各种目标检测任务！
受深度学习技术快速发展的推动，YOLO 系列为实时目标检测器设定了新的基准。此外，基于变压器的结构作为该领域最强大的解决方案应运而生，极大地扩展了模型的感受野，并取得了显著的性能提升。然而，这一改进是有代价的，因为自注意机制的平方复杂性增加了模型的计算负担。为了解决这个问题，我们提出了一种简单而有效的基线方法，称为 Mamba YOLO。我们的贡献如下：1）我们建议 ODMamba 主干引入具有线性复杂性的状态空间模型（SSM）来解决自注意的平方复杂性。
2025-11-17 23:59:23
54
原创 YOLOv8v10涨点改进 | YOLO联合Mamba火热发论文改进篇 | AAAI 2025顶会 | Mamba-YOLO-B，利用SSM的高效全局建模能力，平衡性能与效率，适合各种目标检测任务！
受深度学习技术快速发展的推动，YOLO 系列为实时目标检测器设定了新的基准。此外，基于变压器的结构作为该领域最强大的解决方案应运而生，极大地扩展了模型的感受野，并取得了显著的性能提升。然而，这一改进是有代价的，因为自注意机制的平方复杂性增加了模型的计算负担。为了解决这个问题，我们提出了一种简单而有效的基线方法，称为 Mamba YOLO。我们的贡献如下：1）我们建议 ODMamba 主干引入具有线性复杂性的状态空间模型（SSM）来解决自注意的平方复杂性。
2025-11-17 23:58:32
40
原创 YOLOv8涨点改进 | YOLO联合Mamba火热发论文改进篇 | AAAI 2025顶会 | Mamba-YOLOv8-Segment，适合图像分割任务，独家创新改进！
受深度学习技术快速发展的推动，YOLO 系列为实时目标检测器设定了新的基准。此外，基于变压器的结构作为该领域最强大的解决方案应运而生，极大地扩展了模型的感受野，并取得了显著的性能提升。然而，这一改进是有代价的，因为自注意机制的平方复杂性增加了模型的计算负担。为了解决这个问题，我们提出了一种简单而有效的基线方法，称为 Mamba YOLO。我们的贡献如下：1）我们建议 ODMamba 主干引入具有线性复杂性的状态空间模型（SSM）来解决自注意的平方复杂性。
2025-11-17 23:57:59
43
原创 YOLOv8v10涨点改进 | YOLO联合Mamba火热发论文改进篇 | AAAI 2025| Mamba-YOLO-T，利用 SSM 的高效全局建模能力，面向轻量级、实时性极强的目标检测
受深度学习技术快速发展的推动，YOLO 系列为实时目标检测器设定了新的基准。此外，基于变压器的结构作为该领域最强大的解决方案应运而生，极大地扩展了模型的感受野，并取得了显著的性能提升。然而，这一改进是有代价的，因为自注意机制的平方复杂性增加了模型的计算负担。为了解决这个问题，我们提出了一种简单而有效的基线方法，称为 Mamba YOLO。我们的贡献如下：1）我们建议 ODMamba 主干引入具有线性复杂性的状态空间模型（SSM）来解决自注意的平方复杂性。
2025-11-17 23:57:18
40
原创 YOLOv8v11涨点改进 | 独家创新、损失函数改进篇 | TGRS 2025顶刊 | 带来AIoU小目标涨点损失函数，增强了目标检测中对边界框形状和尺寸的敏感度，适合复杂场景和小物体检测中有效涨点
摘要：在航空遥感图像中进行目标检测对交通管理、公共安全和生态监测等应用至关重要。然而，现有方法在处理多尺度目标、复杂背景和频繁遮挡时存在困难，导致全局特征提取不足和多尺度损失计算不稳定。为解决这些问题，我们提出了多特征注意力增强型仅需一次检测（MFAE -YOLO）网络。该方法通过引入全局特征融合处理（GFFP）模块来提升全局特征提取能力。主干网络融合了通道、像素和空间（FCPS）注意力模块以增强特征表征，同时采用C2F特征池提取单元（C2F-FPEU）优化基于池化的特征提取。
2025-11-17 23:56:07
47
原创 YOLOv8v10涨点改进 | 独家小目标涨点、损失函数改进篇 | 引入MPDIoU损失函数，适合目标密重叠的特殊情况，一种高效准确的边界框回归损失函数，优于现有损失函数的性能
本文给大家介绍引入MPDIoU损失函数优化YOLOvv8v10模型！适合目标密重叠的特殊情况，一种高效准确的边界框回归损失函数，优于现有损失函数的性能，助力YOLOv8v10有效涨点！具体怎么使用请看全文。YOLOv8v10创新改进高效涨点+永久更新中（至少500+改进）+高效跑实验发论文、发论文YOLOv8和YOLOv10通用，本专栏保证更新500+篇改进，包含各种卷积、主干网络、各种注意力机制、检测头、损失函数、Neck改进、小目标检测、二次创新模块、独家创新等几百种创新点改进。
2025-11-17 23:54:40
39
原创 YOLOv8v10涨点改进 | 独家小目标涨点、损失函数改进篇 | 引入ATFLoss损失函数，适合小目标检测，解决检测目标与背景失衡问题，助力YOLOv8v10轻松有效涨点，高效发论文
本文给大家介绍引入ATFLoss损失函数优化YOLOv8v10模型！小目标检测面临目标与背景极度不平衡、边界框回归对小目标敏感以及高级语义层信息易丢失等检测任务，助力YOLOv8v10有效涨点。具体怎么使用请看全文。YOLOv8v10创新改进高效涨点+永久更新中（至少500+改进）+高效跑实验发论文、发论文YOLOv8和YOLOv10通用，本专栏保证更新500+篇改进，包含各种卷积、主干网络、各种注意力机制、检测头、损失函数、Neck改进、小目标检测、二次创新模块、独家创新等几百种创新点改进。
2025-11-17 23:53:10
36
原创 YOLOv8v10涨点改进 | 损失函数改进篇 | 引入SlideLoss损失函数，适合目标检测中面临的尺度变化、遮挡以及难易样本不平衡等复杂场景下的检测任务，详细使用步骤
本文给大家介绍引入SlideLoss损失函数优化YOLOv8v10模型！适合目标检测中面临的尺度变化、遮挡以及难易样本不平衡等复杂场景下的检测任务，助力YOLOv8v10有效涨点。具体怎么使用请看全文。YOLOv8v10创新改进高效涨点+永久更新中（至少500+改进）+高效跑实验发论文、发论文YOLOv8和YOLOv10通用，本专栏保证更新500+篇改进，包含各种卷积、主干网络、各种注意力机制、检测头、损失函数、Neck改进、小目标检测、二次创新模块、独家创新等几百种创新点改进。
2025-11-17 23:51:45
36
原创 YOLOv8v10涨点改进 | 损失函数改进篇 | 引入NWDLoss损失函数，提高小目标检测精度，小目标检测任务专属改进，详细使用步骤
本文给大家介绍引入NWDLoss损失函数优化YOLOv8v10模型！一种新的Normalized Wasserstein Distance (NWD) 度量，它将边界框建模为二维高斯分布，并利用Wasserstein距离计算其相似性，使其对目标尺度和位置偏差不敏感，可显著提升微小目标检测性能。具体怎么使用请看全文。YOLOv8v10创新改进高效涨点+永久更新中（至少500+改进）+高效跑实验发论文、发论文。
2025-11-17 23:49:10
28
原创 YOLOv8v10涨点改进| 损失函数改进篇 |AAAI 2025| 一种小目标检测SDLoss损失函数，解决现有损失函数对不同目标尺度敏感度不足的局限，增强检测不同尺度目标的敏感能力，助力高效涨点
本文给大家介绍一种小目标检测SDLoss损失函数优化YOLOv8v10模型！为解决现有损失函数对不同目标尺度敏感度不足的局限，引入了基于目标大小动态调整尺度和位置损失影响的尺度动态（SD）损失。并在多个主流算法上集成SDLoss后实现了显著的性能提升，验证了方法的有效性和泛化性。YOLOv8v10创新改进高效涨点+永久更新中（至少500+改进）+高效跑实验发论文、发论文。
2025-11-17 23:46:51
53
原创 YOLOv13涨点改进 | 全网独家创新、检测头Head改进篇 | AAAI 2026 | 使用StripConvHead改进YOLOv13的检测头，处理小物体、遮挡小目标检测有效涨点
本文提出使用StripConv条形卷积改进YOLOv13检测头，显著提升高纵横比物体的检测性能。该设计通过顺序正交条形卷积捕捉细长物体特征，增强定位精度，同时减少计算冗余。实验在DOTA等数据集验证了其有效性，30M模型在DOTA-v1.0达到82.75% mAP。改进后的YOLOv13适用于遥感检测等场景，兼具高效性和轻量化特点。文章详细介绍了StripR-CNN架构的核心优势、代码实现及改进步骤。
2025-11-17 23:03:33
42
原创 YOLOv13涨点改进 | 独家HyperACE改进、注意力改进篇 | TGRS 2025 | 引入GLVMamba中的SCPP尺度感知上下文金字塔池化、助力目标检测、医学图像分割、图像分类有效涨点
本文提出SCPP模块来改进YOLOv13网络，增强其多尺度感知与上下文理解能力。SCPP通过多尺度空洞卷积分支、通道注意力机制和像素级尺度选择，能够自适应捕捉不同尺寸目标特征，显著提升在遥感图像、密集场景和小目标检测中的性能。实验表明，该模块能提高目标边界清晰度、抑制背景干扰，并改善分割完整性，同时保持轻量级结构和高效推理速度。文章还详细介绍了SCPP模块的具体实现代码、YOLOv13集成方法以及三种改进方案（SCPP、DSC3k2_SCPP和HyperACE_SCPP）的yaml配置文件。
2025-11-17 22:52:24
199
原创 YOLOv11涨点改进 | 全网独家创新、检测头Head改进篇 | AAAI 2026 | 使用StripConvHead改进YOLOv11的检测头，处理小物体、遮挡小目标检测有效涨点
本文提出使用StripConv条形卷积改进YOLOv11检测头，显著提升模型在高纵横比物体检测、目标定位和多尺度检测方面的性能。StripConv通过特殊设计的条形卷积核，有效捕捉细长物体特征，增强定位精度，同时简化计算结构，减少冗余。改进后的模型在多个基准数据集上表现优异，特别是在DOTA-v1.0上达到82.75% mAP的新记录。文章详细介绍了StripR-CNN架构设计、核心优势，并提供完整的代码实现和配置方法，指导用户在YOLOv11中集成StripConv检测头。
2025-11-17 22:37:56
67
原创 YOLOv11涨点改进 | 独家创新、注意力改进篇 | TGRS 2025 | 引入GLVMamba中的SCPP尺度感知上下文金字塔池化、助力目标检测、医学图像分割、图像分类有效涨点
本文提出了一种改进YOLOv11网络的SCPP模块，通过多尺度空洞卷积和像素级注意力机制增强模型对目标尺寸变化的适应性。SCPP模块包含并行卷积分支（空洞率1、3、5）、SE注意力模块和全局上下文路径，能够自适应地融合不同尺度特征，显著提升遥感图像等复杂场景下的检测性能。实验表明，该模块在不显著影响推理速度的前提下，可提高目标边界清晰度和分割完整性。文章详细介绍了SCPP的结构原理、核心代码实现，并提供了两种改进YOLOv11的配置方案。
2025-11-17 22:20:51
186
原创 YOLOv11涨点改进 | HyperACE改进、注意力改进篇 | SCI一区 2024 | YOLOv11引入HIFA全局信息融合增强模块、含多种改进，助力目标检测、医学图像分割、图像分类有效涨点
本文提出基于HIFA全局信息融合增强模块改进的YOLOv11网络模型，显著提升了目标检测性能。HIFA模块巧妙融合局部卷积与全局注意力机制，增强跨尺度特征融合能力，特别在小物体检测和复杂场景下表现优异。同时，该模块优化计算效率，降低特征通道数，适合实时检测任务。文章详细介绍了HIFA模块的原理、结构优势及实现方法，包括完整的核心代码和配置教程。实验证明，改进后的YOLOv11在精度和效率上均有明显提升，能更好地处理多物体、遮挡和光照变化等复杂场景。
2025-11-17 12:51:07
55
原创 YOLOv11涨点改进 | 全网独家创新、检测头Head改进篇 | AAAI 2026 | 使用PATConv改进YOLOv11的检测头，通过并行的卷积和注意力机制，处理小物体、遮挡小目标检测有效涨点
本文提出一种改进YOLOv11检测头的方法，通过引入PATConv模块实现并行的卷积和注意力机制。该模块采用部分通道机制(PCM)，将特征图划分为不同子集分别处理，显著提升了检测精度和推理速度。PATConv结合了通道注意力、空间注意力和自注意力机制，有效增强了特征交互能力，在处理小目标、遮挡和复杂背景时表现突出。实验表明，该方法在保持较低参数量和计算量的同时，优化了速度与精度的平衡。文章详细介绍了模块结构、实现代码和配置步骤，为实时目标检测任务提供了高效解决方案。
2025-11-16 23:51:46
51
原创 YOLOv11涨点改进 | 独家首发创新、Conv卷积改进篇 | AAAI 2026 | YOLOv11利用PATConv部分注意力卷积，含PATConvC3k2二次创新，轻量化改进，有效涨点改进点
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YOLOv11模型的效率和性能。PATConv采用部分通道机制(PCM)，将特征图分割为不同部分分别处理，减少了计算量和内存占用。实验表明该模块在保持精度的同时提高了推理速度，特别适用于实时目标检测任务。文章详细介绍了PATConv的网络结构、原理和优势，并提供了模块实现代码和YOLOv11改进配置方法。通过在ImageNet-1K分类和COCO检测任务上的测试，验证了PATConv在计算效率和检测精度方面的优越表现。
2025-11-16 23:48:05
54
原创 YOLOv11涨点改进 | 首发全网创新、主干改进篇 | AAAI 2026 | PartialNet 主干让 YOLOv11 更加强大！引入部分通道机制 和 部分注意力卷积，全方面提升了模型的性能
本文提出PartialNet主干网络改进YOLOv11的方法，通过部分通道机制（PCM）和部分注意力卷积（PATConv）提升模型效率。PartialNet将特征图通道拆分并应用不同操作，显著减少计算量和内存占用。主要创新包括：1）部分通道机制实现计算优化；2）三种注意力模块（PATch/PATsp/PATsf）增强特征提取；3）动态部分卷积（DPConv）自适应调整计算复杂度。文章详细提供了代码实现和YOLOv11集成方法。
2025-11-16 23:45:14
69
原创 YOLOv11涨点改进 | 独家创新、注意力改进篇 | CVPR 2024 | YOLOv11引入MaSA曼哈顿自注意力、含多种改进，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MaSA（曼哈顿自注意力）模块的YOLOv11改进方法。MaSA通过引入曼哈顿距离的空间衰减矩阵，增强了模型对空间信息的感知能力，显著提升了目标检测性能。该方法在复杂背景、边缘细节和小物体检测上表现优异，同时降低了计算复杂度。文章详细介绍了MaSA模块的原理、结构和实现方式，包括完整的核心代码和集成到YOLOv11的具体步骤。实验结果表明，改进后的模型在ImageNet-1k分类任务上达到84.8%-86.1%的top-1准确率，在COCO检测任务上实现54.5 boxAP。
2025-11-16 23:41:08
38
原创 YOLOv11涨点改进 | 独家下采样创新改进篇 | TGRS 2024 | YOLOv11引入WTFD小波变换特征分解下采样模块,适合遥感图像分割任务、遥感目标检测任务有效涨点
本文提出一种基于WTFD模块改进的YOLOv11目标检测方法。WTFD模块通过Haar小波变换将空间特征分解为低频和高频成分，有效引入频域信息补充空间特征，显著提升模型在复杂背景下的检测精度，特别是对小物体、边缘和阴影区域的识别能力。该模块在不增加计算负担的情况下，通过多尺度特征融合增强了模型的鲁棒性。文章详细介绍了WTFD模块的原理、代码实现及YOLOv11的改进方案，提供两种网络配置版本，验证了该方法的有效性。该方法适用于实时目标检测任务，在保持计算效率的同时显著提升检测性能。
2025-11-16 23:37:31
32
原创 YOLOv11涨点改进 | 独家创新、Neck特征融合改进篇 | TGRS 2024 | 引入 EFC增强跨层特征相关创新点，含MSEF（多尺度有效融合模块）二次创新模块，助力遥感目标检测涨点
本文提出基于增强跨层特征相关(EFC)模块改进的YOLOv11网络，通过分组特征聚焦(GFF)和多层特征重建(MFR)提升小物体检测性能。EFC模块增强不同层次特征间的相关性，减少冗余特征并提高融合效率，有效保留小物体关键信息。实验表明，该方法在VisDrone等数据集上mAP提升1.7%，同时降低计算资源消耗。EFC模块具有即插即用特性，可灵活应用于各类基于FPN的网络结构，显著提升小物体检测精度并优化计算效率。
2025-11-16 23:34:40
28
原创 YOLOv11涨点改进 | 独家创新、Conv卷积改进篇 | CVPR 2024 | 引入FADC频率自适应膨胀卷积，提升特征提取能力、扩大感受野、减少伪影，助力小目标检测，遥感目标检测有效涨点
本文提出了一种频率自适应扩张卷积(FADC)模块来改进YOLOv11模型。FADC通过动态调整膨胀率和优化卷积核的频率响应，显著提升了模型处理不同频率特征的能力。该模块包含三个创新组件：自适应膨胀率机制根据局部频率内容动态调整扩张率；自适应卷积核将权重分解为高低频分量；频率选择模块平衡特征图的频域成分。实验表明，FADC有效避免了传统膨胀卷积的网格伪影，增强了高频细节的捕捉能力，在保持计算效率的同时提升了目标检测精度，特别是在多物体和密集场景中表现突出。
2025-11-16 23:30:22
39
原创 YOLOv13涨点改进 | 全网独家创新、检测头Head改进篇 | | AAAI 2026 | 使用PATConv改进YOLOv13的检测头，通过并行的卷积和注意力机制，处理小物体、遮挡小目标检测有效
本文提出了一种改进YOLOv13检测头的方法，通过引入PATConv模块将并行卷积和注意力机制结合，显著提升了目标检测的性能。PATConv通过部分通道机制(PCM)对特征图进行分割处理，分别应用卷积和注意力操作，有效平衡计算效率与精度。实验表明，该方法在减少参数量的同时保持高精度，特别适用于小物体检测和实时任务。文章详细介绍了PATConv的网络结构、原理、优势及实现代码，并提供了模块添加和配置文件修改的具体步骤，为YOLOv13的改进提供了实用方案。
2025-11-16 23:24:57
33
原创 YOLOv13涨点改进 | 独家首发创新、Conv卷积改进篇 | AAAI 2026 | YOLOv13利用PATConv部分注意力卷积，含PATConvC3k2二次创新，轻量化改进，有效涨点改进点
本文提出了一种改进YOLOv13网络的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模型计算效率和推理速度。PATConv将特征图通道划分为不同部分，分别进行卷积、注意力等操作，减少了计算量和内存占用，同时保持了较高的检测精度。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任务。文章详细介绍了PATConv的原理、网络结构、核心代码实现，以及修改YOLOv13配置的具体方法，并提供了两种改进版本的yaml配置文件。
2025-11-16 23:08:45
49
原创 YOLOv13涨点改进 | 首发全网创新、主干改进篇 | AAAI 2026 | PartialNet 主干让 YOLOv13 更加强大！引入部分通道机制 和 部分注意力卷积，全方面提升了模型的性能
本文提出改进YOLOv13主干网络的PartialNet，通过引入部分通道机制（PCM）和部分注意力卷积（PATConv），显著提升计算效率和推理速度，同时保持高检测精度。PartialNet将特征图通道分割并应用不同操作，减少计算量和内存占用，特别适合实时目标检测。动态部分卷积（DPConv）自适应调整计算复杂度，实现精度与速度的平衡。实验表明，PartialNet在ImageNet-1K和COCO数据集上优于SOTA模型，尤其适用于边缘设备。提供三种主干改进方案（PartialNet_s/m/l）
2025-11-16 22:13:29
291
原创 YOLOv13涨点改进 | HyperACE改进、注意力改进篇 | CVPR 2024 | YOLOv13引入MaSA曼哈顿自注意力、含多种改进，助力目标检测、图像分割、图像分类有效涨点
本文提出HIFA模块改进YOLOv13网络，显著提升目标检测精度与效率，尤其在小物体检测和复杂场景表现突出。HIFA通过融合局部与全局信息增强跨尺度特征提取，同时优化计算效率。此外，引入MaSA曼哈顿自注意力模块，基于曼哈顿距离构建空间衰减矩阵，为自注意力机制添加显式空间先验知识，在ImageNet-1K分类任务上达到84.8%准确率。文章详细介绍了模块结构、优势原理和实现代码，并提供了三种改进方案的yaml配置文件,指导如何集成到YOLOv13框架中。
2025-11-16 17:54:15
42
原创 YOLOv13涨点改进 | 独家下采样创新改进篇 | TGRS 2024 | YOLOv13引入WTFD小波变换特征分解下采样模块,适合遥感图像分割任务、遥感目标检测任务有效涨点
本文提出了一种基于小波变换特征分解器（WTFD）的YOLOv13改进模型，通过Haar小波变换将空间特征分解为低频和高频成分，有效补充频域信息。WTFD模块能够增强模型对复杂背景、阴影、边缘和小物体等细节特征的检测能力，显著提升目标检测精度和鲁棒性。该方法在不增加计算负担的情况下优化了检测性能，适用于实时检测任务。实验结果表明，改进后的YOLOv13模型在保持高效计算的同时，提高了检测精度，尤其在小目标检测任务中表现突出。
2025-11-16 17:16:58
34
原创 YOLOv13涨点改进 | HyperACE改进、注意力改进篇 | SCI一区 2024 | YOLOv13引入HIFA全局信息融合增强模块、含多种改进，助力目标检测、医学图像分割、图像分类有效涨点
本文提出了一种改进YOLOv13网络模型的HIFA（全局信息融合增强）模块，通过融合局部卷积和全局操作，显著提升了目标检测性能。HIFA模块在小物体检测、复杂背景处理和多尺度目标检测方面表现优异，能够同时捕捉细节特征和全局语义信息。该模块还优化了计算效率，减少特征通道数，适用于实时检测任务。文章详细介绍了HIFA模块的结构、优势原理，并提供了完整的实现代码和配置方法，包括三种改进方案（单独HIFA、HIFA+HyperACE、HIFA+DSC3k2）的yaml配置文件。
2025-11-16 16:14:26
483
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