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

已于 2025-11-17 00:30:40 修改
阅读量39 收藏 1
点赞数 1
CC 4.0 BY-SA版权
分类专栏： YOLOv11全新有效创新改进+永久更新中 文章标签： YOLO 目标检测 人工智能 YOLOv11创新改进 FADC频率自适应膨胀卷积 小目标检测改进 遥感目标检测
于 2025-11-16 23:30:22 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_45972324/article/details/154919604

一、本文介绍

🔥本文介绍使用FADC模块改进YOLOv11模型，能够通过动态调整膨胀率和优化卷积核的频率响应，提升模型在不同频率特征上的处理能力。FADC通过自适应膨胀率增强感受野，避免了标准膨胀卷积中的网格伪影，特别是在处理高频细节（如物体边界和小物体）时表现出色。此外，频率选择模块能有效平衡高低频成分，提升YOLOv11在复杂背景下的检测精度，同时减少不相关高频噪声的干扰，最终提升目标检测精度和效率，尤其在多物体或密集物体的场景中。

专栏改进目录：YOLOv11改进专栏包含卷积、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、C2PSA/C3k2二次创新改进、全网独家创新等创新点改进

全新YOLOv11-发论文改进专栏链接：全新YOLOv11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

本文目录

一、本文介绍

二、FADConv模块介绍

2.1 FADConv模块网络结构图

2.2 FADConv模块的作用

2.3 FADConv模块的优势

2.4 FADConv模块的原理

三、完整核心代码

四、手把手教你配置模块和修改tasks.py文件

1.首先在ultralytics/nn/newsAddmodules创建一个.py文件

2.在ultralytics/nn/newsAddmodules/__init__.py中引用

3.修改ultralytics\nn\tasks.py文件

五、创建涨点yaml配置文件

🚀 创新改进1: yolov11n_FADConv.yaml

🚀 创新改进2: yolov11n_FADConvC3k2.yaml

六、正常运行

 

二、FADConv模块介绍

摘要：在计算机视觉领域，通过在连续卷积单元间插入间隔来扩展感受野的扩张卷积技术被广泛应用。本研究从频谱分析视角提出三项改进扩张卷积各阶段的策略。我们突破传统固定全局扩张率的超参数设置，创新性地提出频率自适应扩张卷积（FADC），该机制能根据局部频成分动态调整空间扩张率。随后设计了两个插件模块：自适应核（AdaKern）模块通过将卷积权重分解为低频与高频分量，并按通道动态调节两者的比例；通过增强高频分量来提升有效带宽。频率选择（FreqSelect）模块则通过空间可变的权重调整，实现特征表征中高频与低频分量的最优平衡——抑制背景高频成分可促使 FADC 学习更大扩张率，从而扩展感受野范围。在分割和目标检测领域的大量实验中，我们的方法均展现出显著的优越性。

了解本专栏 订阅专栏 解锁全文
YOLOv13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
Ai缝合怪、助力小伙伴高效发论文
11-16 73
本文提出了一种基于FADC模块改进的YOLOv13模型，通过动态调整膨胀率（AdaDR）和优化卷积核频率响应（AdaKern）来提升模型性能。FADC模块能够自适应地处理不同频率特征，有效避免了标准膨胀卷积中的网格伪影问题，在处理高频细节（如物体边界和小物体）时表现优异。此外，频率选择模块（FreqSelect）通过动态平衡高低频成分，提高了模型在复杂背景下的检测精度。实验表明，该改进显著提升了YOLOv13在多物体和密集场景中的目标检测能力。文章详细介绍了模块实现、代码配置及YAML文件修改方法。
【DEIM创新改进】全网首发Conv独家改进篇 | 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
Ai缝合怪、助力小伙伴高效发论文
11-15 192
本研究提出FADConv（频率自适应扩张卷积）模块，有效改进了DEIM模型的目标检测性能。通过动态调整膨胀率和优化卷积核频率响应，FADConv显著提升了模型处理不同频率特征的能力。其核心创新包括： 自适应膨胀率机制，根据局部频率内容动态调整膨胀率 卷积核分解技术，将权重分解为高低频成分并动态调节比例 频率选择模块，优化特征表征中的频率成分平衡 实验证明，FADConv在分割和目标检测任务中都展现出优越性能，特别是在处理高频细节（如物体边界）时表现突出，同时计算效率较高。
YOLOv11融合CVPR[2024]自适应扩张卷积FADC模块及相关改进思路|YOLO改进最简教程
深度学习炼丹师，偶尔分享炼丹技术!
11-13 2350
论文速览：扩张卷积通过在连续元素之间插入间隙来扩大感受野，广泛用于计算机视觉。在这项研究中，从谱分析的角度提出了三种策略来改进扩张卷积的各个阶段。与将全局膨胀率固定为超参数的传统做法不同，引入了频率自适应膨胀卷积 （FADC），它根据局部频率分量在空间上动态调整膨胀率。随后，设计了两个插件模块，以直接提高有效带宽和感受野大小。Adaptive Kernel （AdaKern） 模块将卷积权重分解为低频和高频分量，并按通道动态调整这些分量之间的比率。
CVPR 2024 | 轻松涨点！北理提出频率自适应空洞卷积
Paper weekly
09-27 4005
©PaperWeekly 原创 ·作者 |知凡单位 |北京理工大学研究方向 |图像检测分割扩张卷积通过在连续元素之间插入间隙来扩展感受野，广泛应用于计算机视觉中。在本研究中，我们从谱分析的角度提出了三种策略来改进扩张卷积的各个阶段。与固定全局扩张率作为超参数的传统做法不同，我们引入了频率自适应扩张卷积（FADC），它根据局部频率分量动态调整空间扩张率。随后，我们设计了两个插件模块来直接增强...
YOLOv13有效涨点改进专栏目录 | 本专栏持续更新500+篇内容 | 包含各种卷积、主干网络、各种注意力机制、检测头、损失函数、小目标检测改进、二次创新模块、独家创新等几百种创新点改进
Ai缝合怪、助力小伙伴高效发论文
08-12 1075
《YOLOv13改进专栏重磅更新》推出500+创新改进方案，涵盖卷积、主干网络、注意力机制、检测头等核心模块优化。专栏提供完整项目代码及答疑服务，包含YOLOv13网络结构解析、环境配置、模型训练全流程指导。内容分为八大模块：卷积优化、注意力机制、细节涨点、主干网络改进、特征融合、检测头优化、小目标检测及Mamba联合改进等，支持多种创新点组合应用，助力科研论文发表。现开放限时订阅，提供试读章节和详细技术解析。
RT-DETR融合CVPR[2024]自适应扩张卷积FADC模块及相关改进思路|
深度学习炼丹师，偶尔分享炼丹技术!
11-13 1272
论文速览：扩张卷积通过在连续元素之间插入间隙来扩大感受野，广泛用于计算机视觉。在这项研究中，从谱分析的角度提出了三种策略来改进扩张卷积的各个阶段。与将全局膨胀率固定为超参数的传统做法不同，引入了频率自适应膨胀卷积 （FADC），它根据局部频率分量在空间上动态调整膨胀率。随后，设计了两个插件模块，以直接提高有效带宽和感受野大小。Adaptive Kernel （AdaKern） 模块将卷积权重分解为低频和高频分量，并按通道动态调整这些分量之间的比率。
YOLOV11|YOLO12改进系列指南
qq_37706472的博客
10-18 11万+
YOLOV11V12改进系列指南，仅仅69.9包含YOLOV11V12模型改进方案、含有390+种改进的集合，且含有多种二次创新和原创改进！
(即插即用模块-Convolution部分) 十八、(2024 CVPR) FADConv 频率自适应空洞卷积
wei582636312的博客
03-13 1296
扩张卷积在扩大感受野的同时，也降低了频率响应，导致高频信息丢失，出现混叠现象，影响模型性能。传统的扩张卷积使用全局固定的扩张率，无法适应不同区域的频率特征，限制了模型的表达能力。：通过空间变权重的策略平衡特征图中的高低频成分，抑制背景和物体中心的高频成分，鼓励 FADConv 使用更大的扩张率，从而扩大感受野。：将卷积核权重分解为低频和高频成分，并动态调整它们的比例，提高卷积核的频率响应，扩大有效带宽。FADConv 主要从频率分析的角度出发，提出了三种策略来改进扩张卷积，具体来说，
全新DEIM有效涨点改进目录 | 本专栏持续更新500+篇内容 | 包含各种顶会顶刊卷积、注意力、特征融合模块、有效特征聚合提取模块，上采样模块、下采样模块，二次创新模块、独家创新等几百种创新点改进
Ai缝合怪、助力小伙伴高效发论文
10-29 543
🚀【CVPR2025DEIM改进专栏速览】🔥 专栏提供500+篇目标检测创新改进方案，涵盖卷积/注意力/特征融合等创新改进点，均源自顶会论文及实战经验。支持多领域应用（工业/医疗/遥感等），配套完整教程和答疑服务。亮点包括： 1️⃣ 持续更新SOTA模型改进方案 2️⃣ 小白友好型实验操作指南 3️⃣ 跨学科科研支持（已助非计算机专业发表论文） 4️⃣ 提供虚拟环境配置方案。 订阅可获完整项目代码及交流群服务，适合研究生科研论文改进需求。价格呈上涨趋势，早订更优惠！
YOLOv11改进有效涨点专栏目录 | 含卷积、主干、注意力机制、Neck、检测头、损失函数、二次创新C2PSA/C3k2等各种网络结构改进
Snu77的博客
11-05 7万+
Hello，各位读者们好.本文为最新YOLOv11有效涨点专栏目录，YOLOv11以及发布了一个月左右，这个过程中我也是给大家整理了许多的机制，其中包含了C3k2、主干（均支持根据yolov11训练的版本进行二次缩放，全系列都能轻量化）、检测头、注意力机制、Neck多种结构上创新，也有损失函数和一些细节点上的创新。
YOLOv11改进 | Conv/卷积篇 | 全维度动态卷积ODConv与二次创新C3k2助力YOLOv11有效涨点
weixin_39818775的博客
06-01 834
全维度动态性：核/空间/通道/输入四重自适应多尺度协同：通过C3k2整合不同感受野高效计算：注意力机制实现智能资源分配显著性能提升：COCO mAP提升4.5%实验表明，该改进对小目标检测尤为有效(mAP提升7.4%)，同时保持了合理的计算开销增长。这种动态卷积与架构创新的结合为目标检测模型设计提供了新思路，其模块化特性也便于迁移到其他视觉任务中。未来工作将聚焦于动态机制的自动化和硬件友好性优化。
YOLOv11改进 | Conv/卷积篇 | 全维度动态卷积ODConv卷积二次创新C3k2助力YOLOv11有效涨点
Snu77的博客
10-13 4623
这篇文章给大家带来的是发表于2022年的ODConv(Omni-Dimensional Dynamic Convolution)中文名字全维度动态卷积，该卷积可以即插即用，可以直接替换网络结构中的任何一个卷积模块在本文的末尾提供可以直接替换卷积模块的ODConv，添加ODConv模块的C2f和Bottleneck(配合教程将代码复制粘贴到你自己的代码中即可运行)给大家。
YOLOv11改进 | Conv/卷积篇 | 2024最新ECCV最新大感受野的小波卷积WTConv助力YOLOv11有效涨点（二次创新C3k2）
Snu77的博客
11-05 2642
本文给大家带来的改进机制是一种新的卷积层，称为WTConv（小波卷积层），它利用小波变换（WT）来解决卷积神经网络（CNN）在实现大感受野时遇到的过度参数化问题。WTConv的主要目的是通过对输入数据的不同频率带进行处理，使CNN能够更有效地捕捉局部和全局特征，WTConv成功解决了CNN在感受野扩展中的参数膨胀问题，提供了一种更为高效、鲁棒且易于集成的卷积层解决方案，我将其用于二次创新YOLOv11中的C3k2机制可以减少百分之十的参数量和计算量，达到一个可观的轻量化作用。
YOLOv8改进有效系列目录 | 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制
热门推荐
Snu77的博客
12-30 17万+
Hello，各位读者们好，本专栏自开设两个月以来已经更新改进教程120+余篇其中包含C2f、主干、检测头、注意力机制、Neck多种结构上创新，也有损失函数和一些细节点上的创新，订阅本专栏以后你不仅可以收获跟专栏的阅读权限，同时可以进Qq群，里面包含集成我所有创新的YOLO最新目录，和我本人录制的视频讲解教程，如果你想要在YOLOv8系列收获一篇论文，我相信订阅本专栏后你一定会有所收获~YOLOv8改进有效系列目录。
【跟我学YOLO】（3）训练 YOLO11 图像分割模型
最新发布
youcans的博客
11-23 679
本文介绍了如何使用YOLOv11进行图像分割任务YOLOv11在COCO-seg数据集上预训练，提供了多个分割模型选项，支持实例分割任务输出对象掩码和类别标签。文章详细说明了安装步骤和模型选择建议，帮助用户快速上手YOLOv11图像分割应用。
即插即用系列 | ICASSP 2025 CAF-YOLO 实战解析：ACFM & MSNN 模块详解
分享顶会顶刊论文即插即用模块
11-21 748
本文提出CAF-YOLO框架，用于解决生物医学图像中微小病变检测的精度问题。该模型基于YOLOv8，创新性地结合CNN与Transformer优势，设计了注意力与卷积融合模块（ACFM）实现全局与局部特征互补，以及多尺度神经网络（MSNN）增强跨尺度特征聚合。实验表明，该方法在微小目标检测任务上表现优异，超越了现有先进方法。该框架具有通用性，可应用于各类视觉任务中的特征增强。
【完整源码+数据集】中药材数据集，yolov8中药分类检测数据集 9709 张，中药材分类识别数据集，中药材识别系统实战教程
CV 小涵的博客，计算机本硕211毕业，研究计算机视觉、模型微调、RAG等方向，收藏有国内外优质数据集，解决视觉相关项目方案，欢迎交流讨论。
11-19 1125
【完整源码+数据集】中药材数据集，yolov8中药分类检测数据集 9709 张，中药材分类识别数据集，中药材识别系统实战教程，目标检测，包含YOLO/VOC格式标注，训练、验证、测试集已划分。 数据集中标签包含50种分类，代表人参，水蛭，大枣，百合，黄连，乌梅，厚朴，牡蛎，海马，罗汉果，甘草，三七，通草等等。 检测场景为药田、药材市场、药材加工厂、药材仓储等场景，可用于药材种植环节精准管控、采收分拣提质增效、市场流通质量把关、药材仓储安全动态监测等。 基于YOLOv8的中药材检测系统实战详细步骤。
YOLOv8 验证码识别：从数据标注到模型部署的完整实战教程
沉寂
11-23 98
本文将手把手教你如何使用 YOLOv8 训练一个高精度的验证码识别模型，涵盖数据标注、环境配置、模型训练、验证测试全流程。基于 RTX 4090 服务器实测，600 张训练图片即可达到 50%+ 准确率，是 OCR 和验证码识别入门的首选方案。
2025-简单点-ultralytics.models.yolo.detect.predict.py解析
万物琴弦存于你的泡沫之中，光锥之外
11-19 404
继承BasePredictor： 有preprocess和pre_transform和stream_inference等方法。老东西了，扣除padding后，除以gain，返回到最初的大小。construct_results就是构造成独有的Result对象。主要关注nms和construct_results。就是个控制上下界，避免计算错误。
YOLOv5改进有效涨点目录 | 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制
04-29
### YOLOv5 的改进点 YOLOv5 是一种高效的实时目标检测框架，在多个方面进行了优化和改进，特别是在卷积、主干网络、检测头、注意力机制以及 Neck 部分。以下是这些方面的具体创新机制： #### 1. **卷积层** YOLOv5 中引入了多种新型卷积操作来提升模型效率和精度。例如，Depthwise Separable Convolution 被广泛应用于减少计算复杂度的同时保持较高的特征提取能力[^3]。此外，还采用了可变形卷积（Deformable Convolution），允许自适应调整采样位置以更好地处理形变物体。 ```python import torch.nn as nn class DepthWiseSeparableConv(nn.Module): def __init__(self, in_channels, out_channels, kernel_size=3, stride=1, padding=1): super(DepthWiseSeparableConv, self).__init__() self.depth_conv = nn.Conv2d(in_channels=in_channels, out_channels=in_channels, kernel_size=kernel_size, groups=in_channels, stride=stride, padding=padding) self.point_conv = nn.Conv2d(in_channels=in_channels, out_channels=out_channels, kernel_size=1) def forward(self, x): x = self.depth_conv(x) x = self.point_conv(x) return x ``` #### 2. **主干网络** YOLOv5 使用 CSPDarknet53 作为其默认主干网络结构，通过跨阶段部分连接（Cross Stage Partial Network）设计减少了内存消耗并提高了梯度流动效果[^4]。这种架构能够显著增强深层神经网络中的信息传递效率。 #### 3. **检测头** 在检测头上，YOLOv5 实现了一个多尺度预测方案，即 PANet（Path Aggregation Network）。它不仅增强了低分辨率特征图上的语义信息传播路径长度，而且保留高分辨率细节以便更精确地定位小尺寸对象[^5]。 #### 4. **注意力机制** 为了进一步提高模型表现力，YOLOv5 引入了几种先进的注意力模块： - **SENet (Squeeze-and-Excitation Networks)**：通过对每个通道的重要性进行建模从而动态调整激活权重。 - **CBAM (Convolutional Block Attention Module)**：结合空间维度与信道维度的关注程度来进行综合考量。 这两种方法均有助于突出重要区域或特性，忽略无关干扰因素，最终达到改善整体性能的目的[^6]。 #### 5. **Neck 结构** YOLOv5 的 Neck 设计主要围绕 FPN 和 PAN 构造展开，其中融合了不同层次间的信息交互方式——自顶向下与自底向上传播相结合的形式构建更加丰富的上下文关联关系[^7]。此策略对于解决多尺度问题特别有效果。 --- ### 总结 综上所述，YOLOv5 在各个组成部分都做出了针对性的技术革新，使得该版本无论是在速度还是准确性方面都有所突破。以上提到的内容涵盖了卷积技术更新、骨干网路选取依据、头部结构调整方向等多个层面的具体实现措施及其背后原理说明。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值