- 博客(229)
- 收藏
- 关注
RSS订阅原创 多尺度特征融合改进YOLOv26并行异构卷积核协同提取与自适应感受野聚合双重突破
在目标检测任务中，不同尺度目标的特征提取一直是核心挑战。本文提出基于多尺度特征融合（MultiScaleFusion）机制改进YOLOv26的创新方案，通过并行部署1×1、3×3、5×5三种异构卷积核，实现对局部细节、中等语义和全局上下文的协同捕获。该方法在保持计算效率的同时，显著增强了模型对多尺度目标的感知能力，为密集场景下的精准检测提供了新的技术路径。
2026-03-17 14:08:04
61
原创 多尺度深度卷积瓶颈改进YOLOv26并行多感受野特征提取能力提升
多尺度深度卷积瓶颈通过并行使用3×3、5×5、7×7三种不同尺度的深度卷积核，在单个模块内实现了多感受野特征提取，显著提升了YOLOv26对不同尺度目标的检测能力。该方法在保持较低计算开销的同时，在COCO数据集上实现了2.4%的mAP提升，特别是对小目标的检测精度提升达3.8%。深度可分离卷积的使用确保了参数效率，使得该改进方案在实际应用中具有很高的实用价值。通过详细的消融实验和跨数据集验证，证明了多尺度深度卷积瓶颈的有效性和泛化能力。
2026-03-17 13:33:15
177
原创 多尺度卷积块改进YOLOv26并行多核特征提取与通道混洗协同突破
本文介绍的MSCB模块通过并行多核特征提取与通道混洗机制的协同作用，为YOLOv26带来了显著的性能提升。多尺度深度可分离卷积：通过并行处理多个卷积核尺寸，高效捕获不同尺度的特征通道混洗机制：增强跨尺度特征交互，降低通道冗余性灵活的架构设计：支持并行/串行模式切换，适应不同任务需求高效的计算设计：通过深度可分离卷积显著降低计算复杂度实验结果表明，MSCB模块在保持轻量化的同时，能够显著提升模型在复杂场景下的检测性能。探索自适应卷积核尺寸选择机制结合神经架构搜索（NAS）优化MSCB参数。
2026-03-17 12:58:33
183
原创 多头注意力机制改进YOLOv26特征表达与全局依赖建模能力双重提升
本文提出了一种基于多头注意力机制的YOLOv26改进方案，通过在骨干网络的关键层引入轻量级注意力模块，显著提升了模型的全局特征建模能力。实验结果表明，该方法在COCO数据集上将mAP@0.5:0.95从37.4%提升至38.5%，同时保持了实时检测的推理速度（7.4ms/帧）。全局感受野：突破卷积的局部限制，建立长距离依赖关系多子空间表示：通过多个注意力头学习互补的特征关系内容自适应：根据输入动态计算注意力权重，具有更强的表达能力即插即用：可以无缝集成到现有的CSP架构中，无需大幅修改网络结构。
2026-03-17 12:23:47
156
原创 坐标注意力机制改进YOLOv26位置感知特征增强与轻量化设计双重突破
本文详细介绍了Coordinate Attention机制在YOLOv26中的应用。通过将位置信息嵌入通道注意力，Coordinate Attention在保持轻量化的同时，显著提升了模型的位置感知能力和检测精度。实验结果表明，该方法在COCO数据集上相比Baseline提升了1.8个百分点的mAP，同时保持了较高的推理速度。动态压缩比：根据不同层的特征自适应调整压缩比多尺度坐标注意力：在不同尺度上应用坐标注意力与Transformer结合：探索坐标注意力与自注意力机制的融合。
2026-03-17 11:49:05
379
原创 可学习缩放因子残差模块改进YOLOv26自适应特征加权与梯度流优化双重突破
本文提出的残差缩放瓶颈模块通过引入可学习的缩放因子，实现了残差连接的自适应加权。核心贡献提出可学习缩放因子机制，实现残差分支的自适应加权设计无激活最后层，保证缩放因子的有效性与CSP架构深度融合，优化梯度流和特征复用性能提升mAP@0.5:0.95提升1.3个百分点参数量仅增加1.5%训练稳定性显著改善未来方向探索通道级和空间级的细粒度缩放研究缩放因子与网络深度的关系将该机制推广到Transformer架构。
2026-03-17 11:13:35
321
原创 双重注意力机制改进YOLOv26通道与空间特征精炼能力双重突破
双维度特征精炼：串联通道注意力和空间注意力，实现对特征图的全方位增强层次化建模：先关注"什么"特征重要，再关注"哪里"特征重要，符合人类视觉认知规律轻量化设计：通道注意力采用8倍降维，空间注意力仅使用单通道卷积，计算开销可控即插即用：通过CSP架构封装，可无缝集成到YOLOv26的任意位置性能稳定：在多种复杂场景下均展现出一致的性能提升想要深入了解更多YOLOv26的创新改进技术？除了本文介绍的双重注意力机制，还有可变形卷积、动态卷积核、多尺度特征融合等前沿方法等待探索。
2026-03-17 10:38:54
359
原创 双路径并行处理改进YOLOv26特征提取效率与表达能力双重提升
双路径并行处理机制通过构建互补的特征提取通道，在保持计算效率的同时显著提升了特征表达能力。实验结果表明，该方法能够有效改进YOLOv26的检测性能，在精度、速度和参数量之间取得了良好的平衡。自适应路径权重：引入注意力机制动态调整两条路径的贡献权重多路径扩展：探索三路径或更多路径的并行处理架构跨层特征融合：将双路径机制与FPN等多尺度特征融合方法结合对于希望将这些先进技术应用到实际项目中的开发者，手把手实操改进YOLOv26教程见提供了从理论到实践的完整指导，帮助您快速掌握目标检测模型的优化技巧。
2026-03-17 10:04:13
424
原创 双卷积瓶颈改进YOLOv26深度特征提取与表达能力双重提升
双卷积瓶颈（DoubleConvBottleneck）通过简洁的"3×3-3×3"双卷积设计，在YOLOv26中实现了深度特征提取与表达能力的双重提升。扩大感受野：两层3×3卷积达到7×7感受野，参数量仅为单层7×7的36.7%增强非线性：两次激活函数引入更强的非线性表达能力简洁高效：结构简单，易于实现和部署梯度友好：残差连接优化梯度流动，加速训练收敛。
2026-03-17 09:29:28
373
原创 原型掩码生成模块改进YOLOv26分割特征上采样与多尺度特征融合双重突破
原型生成机制：引入ProtoBlock实现高效的掩码原型学习CSP架构融合：保持梯度流畅通，增强特征复用多尺度特征增强：在backbone和head全面部署，提升各尺度目标的分割精度计算效率优化：参数增长仅12%，推理速度下降8%，性价比突出实验结果表明，C3k2_Proto在COCO数据集上相比基线模型提升3.3% mAP@0.5:0.95，特别是在小目标分割上取得显著进步。该方法为实时实例分割任务提供了新的解决方案，在工业检测、医学影像、自动驾驶等领域具有广阔的应用前景。
2026-03-17 08:54:47
175
原创 压缩扩展瓶颈架构改进YOLOv26三阶段渐进式特征提取与参数效率双重突破
本文提出的压缩扩展瓶颈架构通过"压缩-扩展-提取"的三阶段设计，在YOLOv26中实现了参数效率与检测性能的双重突破。实验结果表明，该方法在COCO数据集上相比基线模型提升了1.3-1.6% mAP，同时保持了较高的推理速度。三阶段渐进式特征处理，避免过度压缩导致的信息损失与CSP架构的有机融合，实现特征复用与梯度流优化多尺度自适应配置，针对不同层级采用差异化的扩展策略该架构为目标检测模型的轻量化设计提供了新的思路，在保持高精度的同时显著降低了计算复杂度，具有广泛的应用前景。索。
2026-03-16 10:29:57
327
原创 压缩扩展卷积改进YOLOv26轻量化特征变换与残差学习双重突破
在深度学习目标检测领域，模型的计算效率与特征表达能力之间的平衡一直是研究的核心问题。本文提出了一种基于压缩扩展卷积(SqueezeConv)的YOLOv26改进方案，通过"压缩-变换-扩展"的三阶段特征处理机制，在保持检测精度的同时显著降低计算复杂度。该方法将通道维度先压缩至原始的1/4，在低维空间完成特征变换后再恢复至原始维度，并通过残差连接保证梯度流畅性。实验表明，该改进方案在COCO数据集上相比基线模型参数量减少约37%，计算量降低约42%，同时mAP仅下降0.3%，实现了效率与精度的优异平衡。
2026-03-16 09:55:17
320
原创 卷积门控线性单元改进YOLOv26部分卷积与门控机制协同突破
在深度学习目标检测领域，特征提取效率与表达能力的平衡一直是研究的核心挑战。本文提出了一种基于Faster-CGLU（Convolutional Gated Linear Unit）的YOLOv26改进方法，该方法源自CVPR 2024的TransNeXt架构，通过部分卷积（Partial Convolution）与卷积门控线性单元的协同设计，实现了计算效率与特征表达能力的双重提升。实验表明，该方法在保持轻量化的同时，显著增强了模型对复杂场景的理解能力。
2026-03-16 09:20:26
392
原创 卷积块注意力机制改进YOLOv26双重注意力特征精炼能力提升
CBAM作为一种经典的注意力机制，通过串联通道注意力和空间注意力实现了对特征的全方位精炼。在YOLOv26中集成CBAM，能够以极小的计算开销换取显著的性能提升，尤其在小目标检测和复杂场景下表现突出。提出了C3k2_CBAM模块，将CBAM无缝集成到YOLOv26的CSP架构中通过消融实验验证了双重注意力机制的有效性，mAP@0.5:0.95提升1.3%分析了不同超参数和部署策略对性能的影响，提供了实用的调优建议探索动态注意力机制，根据输入内容自适应调整注意力强度。
2026-03-16 08:45:43
358
原创 单卷积CSP瓶颈改进YOLOv26轻量化特征提取与残差连接优化
本文提出了一种改进的C1模块用于YOLOv26目标检测网络，通过简化卷积结构和优化残差连接实现轻量化。C1模块采用单卷积结构，结合残差连接保持特征传播有效性。在此基础上开发的C3k2_C1模块通过通道分割和多分支特征融合进一步优化计算效率。实验表明，在COCO数据集上，该模块在精度仅下降0.4%的情况下，显著降低了15.6%的参数量和11.1%的计算量，推理速度提升11.3%。消融实验验证了残差连接和通道缩放策略的有效性。该轻量化设计为平衡目标检测模型的精度与效率提供了实用解决方案。
2026-03-16 08:39:57
340
原创 动态蛇形卷积改进YOLOv26不规则目标轮廓建模与细长结构检测双重突破
在目标检测任务中，传统卷积神经网络在处理规则形状的目标（如矩形、圆形）时表现优异，但面对不规则形状和细长结构的目标时往往力不从心。道路、河流、血管、文本行、裂缝等细长目标具有高长宽比和复杂的空间拓扑结构，标准的矩形卷积核难以有效捕获这些目标的几何特征。可变形卷积（Deformable Convolution）通过学习采样点的偏移量，使卷积核能够自适应目标形状。然而，传统可变形卷积的采样点相互独立，缺乏空间连续性约束，在处理细长目标时容易产生不连贯的特征表示。
2026-03-15 18:38:55
52
原创 动态残差组改进YOLOv26双重注意力机制与残差学习深度融合
本文详细介绍了基于动态残差组（DRG）的YOLOv26改进方法。DRG通过融合通道注意力、动态空间注意力与深度残差学习，实现了特征提取能力的显著提升。实验表明，该方法在多种复杂场景下均表现出色，特别是在小目标检测和密集场景中优势明显。轻量化设计：探索知识蒸馏和剪枝技术，降低DRG的计算开销多模态融合：将DRG扩展到RGB-D、RGB-T等多模态检测任务自适应架构搜索：利用NAS技术自动优化DRG的层数和通道配置实时性优化：研究DRG的硬件加速方案，提升推理速度。
2026-03-15 18:04:12
161
原创 动态Inception混合器改进YOLOv26自适应卷积核选择与特征提取能力双重突破
本文提出的基于动态Inception混合器的YOLOv26改进方案，通过自适应卷积核选择和多分支特征融合，实现了特征提取能力的显著提升。实验结果表明，DCMB在COCO数据集上相比基线模型提升了3.6个mAP点，同时保持了较快的推理速度。这种设计思路为目标检测领域的特征提取提供了新的解决方案，具有广泛的应用前景。通过合理的架构设计和训练策略，DCMB能够在不显著增加计算成本的前提下，大幅提升模型的检测性能，特别是在处理多尺度和不规则形状目标时表现出色。
2026-03-15 17:29:31
204
原创 加性Token混合器改进YOLOv26特征交互与表达能力双重提升
加性融合机制：用Q+K替代QK^T，将复杂度从O(N²)降低到O(N)空间-通道双重操作：同时关注空间位置和通道重要性局部感知增强：通过深度卷积保留局部细节特征三重残差连接：确保梯度顺畅传播和特征充分融合实验结果表明，该方案在COCO数据集上取得了1.2~1.5 mAP的提升，同时保持了较高的推理速度。加性Token混合器为构建高效的目标检测模型提供了新的思路，值得在实际应用中推广。
2026-03-15 16:54:50
146
原创 分离注意力瓶颈改进YOLOv26通道自适应加权与特征表达能力提升
分离注意力瓶颈通过在瓶颈结构中引入通道注意力机制，实现了对特征通道的自适应加权，显著提升了YOLOv26的特征表达能力。自适应特征选择：通过学习通道权重，自动关注重要特征参数效率：降维设计使得注意力模块仅增加少量参数灵活集成：可以方便地集成到CSP架构中梯度友好：残差连接增强梯度流动，加速训练收敛实验结果表明，分离注意力瓶颈在保持计算效率的同时，有效提升了模型的检测精度和泛化能力，为YOLOv26的性能优化提供了新的思路。对于想要手把手实操改进YOLOv26教程见。
2026-03-15 16:19:53
350
原创 全局注意力机制改进YOLOv26通道空间双重加权与特征增强协同突破
本文提出的GAM改进YOLOv26方法通过通道注意力和空间注意力的协同作用，实现了特征的精准加权与增强。实验结果表明，该方法在COCO数据集上取得了显著的性能提升，mAP@0.5:0.95提高了1.8个百分点，同时保持了较低的计算开销。GAM的轻量化设计和多尺度部署策略使其成为目标检测任务中一种高效且实用的改进方案。通过本文的详细分析和实验验证，我们证明了双重注意力机制在目标检测中的有效性。未来，我们将继续探索更先进的注意力机制，进一步提升YOLOv26的检测性能。r$ 值2.多头注意力。
2026-03-15 15:45:09
377
原创 像素混洗特征融合改进YOLOv26双阶段卷积与通道分割协同突破
在目标检测领域，特征提取与融合的效率直接影响模型的性能表现。本文提出一种基于像素混洗（Pixel Shuffle）机制的YOLOv26改进方案，通过双阶段卷积设计与通道分割策略，实现特征空间的高效混合与信息流动。该方法在保持计算效率的同时，显著提升了多尺度特征的表达能力，为实时目标检测任务提供了新的优化思路。
2026-03-15 15:10:25
328
原创 倒残差结构改进YOLOv26先扩展后压缩的轻量化特征提取突破
本文系统阐述了倒残差结构在YOLOv26中的应用，通过"扩展-深度卷积-压缩"的创新范式，在COCO数据集上实现了参数量减少11.3%、推理速度提升9.9%的同时，mAP@0.5:0.95提升0.7个百分点。这种设计充分利用了深度可分离卷积的计算优势和残差连接的梯度流动特性，为移动端目标检测提供了高效解决方案。实验表明，合理的扩展比例选择和线性瓶颈设计是性能提升的关键，为后续轻量化网络设计提供了重要参考。
2026-03-15 14:35:44
393
原创 倒残差瓶颈架构改进YOLOv26先扩展后压缩的轻量化特征提取突破
本文将倒残差瓶颈架构引入YOLOv26，通过"先扩展后压缩"的设计理念，在低维空间进行残差连接，在高维空间进行特征变换，实现了计算效率与特征表达能力的平衡。结合CSP结构的多分支特征融合，C3k2_InvertedBottleneck模块在COCO数据集上取得了39.2%的mAP@0.5:0.95，同时参数量降低了9.5%，推理速度提升了8.8%。实验表明，倒残差瓶颈特别适合移动端和边缘设备部署，在保持高精度的同时显著降低了计算复杂度。
2026-03-15 14:00:56
387
原创 WaveletPool小波池化改进YOLOv26频域信息无损下采样
本文提出了一种基于小波变换的WaveletPool池化方法，用于改进YOLOv26目标检测网络。传统MaxPooling和stride卷积在下采样时会丢失大量空间信息，而WaveletPool通过Haar小波变换将空域下采样转换为频域分解，实现了信息无损保留。该方法将输入特征图分解为低频结构信息（LL）和三个高频细节分量（LH、HL、HH），在保持下采样效率的同时完整保留了图像特征。实验表明，WaveletPool在YOLOv26中有效提升了小目标检测精度，且无需额外参数。
2026-03-15 13:55:01
364
原创 Star操作替代自注意力改进YOLOv26线性复杂度实现高效特征提取
线性复杂度ONO(N)ON的计算复杂度使模型能够高效处理高分辨率输入参数效率：通过深度卷积和1×1卷积的组合，在增加少量参数的情况下显著提升性能即插即用：Star Block可以无缝集成到现有的CNN架构中，无需修改其他组件硬件友好：所有操作都是标准的卷积和元素级运算，在各种硬件平台上都有良好支持梯度流动：残差连接和CSP结构确保了训练过程中的梯度稳定传播。
2026-03-14 14:46:02
38
原创 SPP空间金字塔池化改进YOLOv26多尺度特征提取与全局上下文建模双重突破
SPP空间金字塔池化通过并行多尺度池化和高效特征融合，为YOLOv26带来了多尺度特征提取与全局上下文建模的双重突破。真实多尺度：通过不同尺寸的池化核捕获从局部到全局的多层次信息参数高效：主要依赖无参数的池化操作，仅在融合阶段引入轻量级卷积计算友好：相比空洞卷积和FPN，SPP的计算复杂度更低即插即用：可灵活集成到CSP架构的任意位置，无需大规模修改网络结构SPP的设计理念为目标检测中的多尺度特征提取提供了经典而高效的解决方案，在实际应用中展现出优异的性能和广泛的适用性。
2026-03-14 14:11:16
208
原创 SPPF快速空间金字塔池化改进YOLOv26高效多尺度特征聚合与计算加速双重突破
SPPF模块通过串行池化的巧妙设计，在保持SPP等效感受野的同时，将计算量降低了76%，推理速度提升了73%。计算高效：串行设计大幅降低FLOPs感受野等效：与SPP达到相同的多尺度建模能力易于集成：可无缝嵌入各种CNN架构性能提升：在COCO数据集上mAP提升1.9%在YOLOv26中，C3k2_SPPF的应用进一步增强了模型的多尺度特征提取能力，特别是在小目标检测场景下表现出色。未来，SPPF可以与Transformer、可变形卷积等先进技术结合，探索更强大的特征聚合方案。
2026-03-14 13:36:31
168
原创 SimAM无参数注意力机制改进YOLOv26神经科学启发的自适应特征增强突破
SimAM通过定义一个能量函数来量化每个神经元的重要性。对于输入特征图X∈RC×H×WX∈RC×H×Wetwtbtyxi1M−1∑i1M−1−1⋅wtxibtyt21M−1∑i1M−1wtxibt−yo2λwt2etwtbtyxiM−11i1∑M−1−1⋅wtxibtyt。
2026-03-14 13:01:14
168
原创 SE瓶颈注意力机制改进YOLOv26通道自适应重标定与特征表达能力双重突破
本文提出的SEBottleneck模块通过将Squeeze-and-Excitation注意力机制深度集成到瓶颈结构中，实现了YOLOv26目标检测性能的显著提升。实验表明，在COCO数据集上，YOLOv26n-SEBottleneck相比基线模型mAP@0.5:0.95提升1.5个百分点，仅增加4.3%的参数量和3.3%的计算量。SE模块的通道自适应重标定机制有效增强了特征表达能力，为实时目标检测系统提供了高效的性能优化方案。更多开源改进YOLOv26源码下载手把手实操改进YOLOv26教程见。
2026-03-14 12:26:35
341
原创 RepViT轻量级块与SE注意力融合改进YOLOv26双阶段特征混合与通道自适应加权协同突破
本文提出了一种基于RepViT轻量级块与SE注意力机制融合的YOLOv26改进方案。该方案通过引入RepViTBlock-SE模块，将重参数化深度卷积（RepVGGDW）、Squeeze-Excitation通道注意力与双阶段特征混合架构有机结合，在保持模型轻量化的同时显著提升了特征表达能力。实验表明，该改进方法在COCO数据集上相比基线模型mAP提升2.3%，参数量仅增加8.7%，推理速度保持在实时检测水平。
2026-03-14 11:51:49
317
原创 RepViT块与SE注意力融合改进YOLOv26轻量级重参数化与通道增强双重突破
在目标检测领域，模型的轻量化与性能提升一直是研究的核心矛盾。传统的卷积神经网络在追求高精度时往往伴随着参数量和计算量的激增，这在边缘设备和移动端应用中成为了严重的瓶颈。本文提出的RepViT块与SE注意力融合方案，通过重参数化技术和通道注意力机制的协同作用，在保持轻量化的同时显著提升了YOLOv26的特征表达能力。
2026-03-14 11:17:05
348
原创 PPHGNetV2高性能Stem模块改进YOLOv26双分支特征提取与多尺度感受野协同突破
本文深入探讨了基于PPHGNetV2的HGStem模块对YOLOv26目标检测算法的改进方案。HGStem作为一种高效的特征提取模块，通过双分支并行处理机制和多尺度感受野融合策略，在保持计算效率的同时显著提升了模型的特征表达能力。实验表明，该改进方案在COCO数据集上相比基线模型提升了2.3% mAP，同时推理速度仅下降8%，展现出优异的性能-效率平衡特性。
2026-03-14 10:42:23
407
原创 MSAM多尺度注意力融合改进YOLOv26跨尺度特征交互能力
MSAM模块通过CNN和Transformer双路径并行处理以及全对全注意力机制，在改进YOLOv26的多尺度特征融合方面取得了显著成效。全对全交互：实现所有尺度对之间的直接交互，捕获远距离依赖双路径并行：CNN提取局部特征，Transformer建模全局关系深度特征提取：多层残差块提升特征表达能力显著性能提升：mAP提升2.7%，小目标检测提升3.9%实验结果表明，MSAM在各个尺度上都带来了性能提升，特别是在小目标和多尺度目标密集的场景中表现优异。
2026-03-14 10:07:41
391
原创 MobileNetV4轻量化Backbone改进YOLOv26移动端部署性能飞跃
本文提出了基于MobileNetV4的YOLOv26轻量化改进方案，通过引入通用倒残差瓶颈（UIB）和融合倒残差块（Fused IB），在大幅降低模型复杂度的同时保持了优异的检测性能。实验结果表明，MobileNetV4-YOLOv26在参数量和计算量上分别降低了60.6%和50.7%，推理速度提升超过2倍，而精度损失仅为1.2%。这种轻量化设计使得YOLOv26能够在移动端和边缘设备上实现实时检测，为目标检测技术在资源受限场景下的应用提供了有力支持。
2026-03-14 00:11:03
306
原创 Mish激活函数改进YOLOv26平滑非线性映射与自正则化特性双重突破
softplusxln1exsoftplusxln1exMishxx⋅tanhsoftplusxMishxx⋅tanhsoftplusx))dMishxdxtanhsoftplusxx⋅sech2softplusx⋅σxdxdMishxtanhsoftplusx))x⋅sech2softplusx))⋅σx其中σx11e−xσx1e−x。
2026-03-13 23:36:22
140
原创 MetaFormer架构融合可分离卷积改进YOLOv26通用Token混合器与轻量化设计双重突破
本文提出的C3k2_ConvFormer模块通过将MetaFormer架构与深度可分离卷积相结合，实现了计算效率和特征表达能力的双重突破。实验结果表明，该模块在COCO数据集上相比baseline提升了1.7% mAP，同时保持了较低的计算复杂度。通用Token混合框架：MetaFormer架构提供了灵活的特征交互机制高效SepConv设计：倒置残差结构和深度可分离卷积大幅降低计算量CSP特征复用：通道分割策略优化梯度流动和特征多样性StarReLU激活：二次非线性增强模型表达能力。
2026-03-13 23:01:41
206
原创 LoGStem拉普拉斯高斯边缘检测改进YOLOv26特征提取精度与鲁棒性提升
LoGStem通过引入拉普拉斯-高斯算子，在YOLOv26的特征提取初始阶段就强化了边缘信息，为后续的目标检测任务提供了更高质量的特征表示。实验结果表明，LoGStem能够在COCO数据集上带来1.2个百分点的mAP提升，特别是在小目标检测上提升达到2.3个百分点。基于LoG算子的显式边缘检测机制多阶段渐进式特征提取策略高斯增强的噪声抑制能力DRFD双路径多尺度特征融合虽然LoGStem增加了约30%的参数量和40%的计算量，但其带来的性能提升是显著的，特别是在边缘密集和小目标检测场景下。
2026-03-13 22:26:57
368
原创 Inception深度卷积改进YOLOv26多分支异构卷积核与轻量化设计双重突破
Inception深度卷积(IDWC)通过多分支异构卷积核设计，在保持轻量化的同时显著增强了特征提取能力。四分支架构：恒等、方形、水平、垂直分支协同工作异构卷积核：3×3、1×11、11×1多种形状捕获不同模式计算高效：相比标准深度卷积减少57%计算量性能提升：在COCO数据集上mAP提升1.4个百分点IDWC为YOLOv26带来了精度和效率的双重提升，特别适合需要在资源受限设备上部署的实时检测应用。
2026-03-13 21:51:59
346
原创 Inception多分支卷积改进YOLOv26异构卷积核并行特征提取与多尺度感受野融合双重突破
本文将经典的Inception多分支卷积思想引入YOLOv26目标检测框架，通过构建C3k2_Inception模块，实现了异构卷积核并行特征提取与多尺度感受野融合的双重突破。实验结果表明，该改进在COCO数据集上使YOLOv26-n的mAP@0.5:0.95从37.1%提升至39.4%，对小目标的检测性能提升尤为显著。多尺度感受野覆盖：通过1×1、3×3、5×5卷积核和池化操作，在同一层级实现多尺度特征提取特征表达能力增强：多分支并行处理提供了更丰富的特征表示计算效率优化。
2026-03-13 21:17:13
372
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