- 博客(1907)
- 收藏
- 关注
RSS订阅原创 YOLOv11涨点改进| ECCV 2026 | 独家注意力改进篇| 引入 RELA秩增强线性注意力机制，不需要传统全局自注意力的高计算开销，适合图像恢复、小目标、遮挡目标、密集目标检测任务，有效涨点
本文提出将秩增强线性注意力（RELA）模块引入YOLOv11，通过轻量级深度卷积提升线性注意力的特征表达能力，有效缓解其低秩问题。RELA在保持线性计算复杂度的同时，兼顾全局上下文建模与局部细节捕捉，显著增强小目标、遮挡目标及复杂背景下的检测性能。模块设计高效、参数开销小，可无缝嵌入YOLOv11主干与Neck结构，支持多种改进配置，实现精度与效率的平衡，适用于实时检测任务与论文创新研究。
2026-10-01 22:29:15
107
原创 YOLOv11涨点改进| CVPR 2026 | 独家Conv注意力改进篇| 引入 SCAB空间卷积注意力模块，适合目标检测、图像分割、图像分类、图像恢复、图像重建任务，有效涨点
本文提出SCAB空间卷积注意力模块，通过大核深度卷积与注意力机制协同建模长距离空间依赖，增强特征感受野，提升YOLOv11在复杂场景下的小目标检测与定位能力。SCAB采用双分支结构，结合残差连接与ConvFFN，实现局部细节与全局上下文的高效融合，兼具高精度与低计算开销。模块结构简洁，易于嵌入主流网络，支持多尺度改进，显著提升模型表达能力，适用于论文级创新与高效实验部署。
2026-10-01 22:19:18
68
原创 YOLO26涨点改进| ECCV 2026 | 独家注意力改进篇| 引入 RELA秩增强线性注意力机制，不需要传统全局自注意力的高计算开销，适合图像恢复、小目标、遮挡目标、密集目标检测任务，有效涨点
本文提出RELA秩增强线性注意力模块，通过融合轻量级深度卷积与线性注意力，有效提升YOLO26的全局上下文建模能力与特征表达多样性，缓解传统线性注意力的低秩问题。该模块在保持线性计算复杂度的同时，兼顾全局依赖与局部细节，显著增强小目标、遮挡目标及复杂背景下的检测性能，适用于实时性要求高的视觉任务，实现精度与效率的平衡。
2026-10-01 22:13:43
106
原创 YOLO26涨点改进| CVPR 2026 | 独家Conv注意力改进篇| 引入 SCAB空间卷积注意力模块，适合目标检测、图像分割、图像分类、图像恢复、图像重建任务，有效涨点
本文提出将SCAB空间卷积注意力模块引入YOLO26模型，通过十一乘十一深度卷积扩大感受野，结合注意力机制实现长距离空间依赖建模，增强对目标边缘、纹理及上下文信息的表达能力。SCAB以卷积为主导，兼顾精度与计算效率，有效提升复杂场景下小目标、遮挡和尺度变化的检测性能。文中提供完整代码、配置文件及部署教程，支持多种创新组合，助力高效涨点与论文发表。
2026-10-01 21:50:51
178
原创 YOLOv11涨点改进| TGRS 2026 | 独家Conv改进篇| 引入EDDConv增强型可变形动态卷积，通过动态多尺度卷积、方向感知可变形采样，适合红外小目标检测、小目标检测任务，有效涨点
🔥本文提出EDDConv增强型可变形动态卷积，提升YOLOv11对小目标、弱目标及复杂背景的检测能力。通过动态多尺度卷积自适应调节感受野，方向感知偏移机制引导采样点聚焦目标区域，减少背景噪声干扰；可学习高斯分支强化点状目标响应，显著改善小目标定位精度与检测稳定性。实验在NUAA-SIRST、NUDT-SIRST等数据集上验证了其优越性，有效降低漏检与误检，适用于红外小目标检测等前沿场景。
2026-09-26 21:41:38
297
原创 YOLOv11涨点改进| CVPR 2026顶会 | 独家注意力改进篇| 引入WACGA小波感知卷积门控注意力，适合图像恢复、医学图像分割、目标检测、细粒度图像分类任务，有效涨点
🔥本文提出WACGA小波感知卷积门控注意力机制，通过可学习二维小波变换分解特征为低频与多方向高频子带，结合方向性卷积与门控权重动态调节自注意力输出，有效增强细线、尖角、边缘等局部高频结构的表达能力，同时抑制噪声干扰。该模块在深层网络中实现频率、空间与注意力信息的联合建模，显著提升YOLOv11对古汉字等复杂结构图像的复原与检测性能，兼具理论创新与工程实用性。
2026-09-26 21:32:36
35
原创 YOLOv11涨点改进| CVPR 2026顶会 | 独家下采样改进篇| 引入WaveDown小波下采样，减少下采样过程中的细节信息损失，适合图像恢复、图像分割、小目标检测、超分辨率任务，有效涨点
🔥本文提出WaveDown小波下采样模块，通过并行空间下采样与可学习小波分解，实现低频结构与高频细节的显式分离。该模块利用频率信息动态增强空间特征，有效缓解传统下采样对边缘和细粒度结构的损失，显著提升图像恢复、小目标检测等任务性能。结合YOLOv11模型，实验验证其在保持轻量化的同时实现高效涨点，为视觉任务提供更精准的多尺度特征表达。
2026-09-26 21:21:07
39
原创 YOLO26涨点改进| TGRS 2026 | 独家Conv改进篇| 引入EDDConv增强型可变形动态卷积，通过动态多尺度卷积、方向感知可变形采样，适合红外小目标检测、小目标检测任务，有效涨点
🔥本文提出EDDConv增强型可变形动态卷积，用于提升YOLO26在小目标、弱目标及复杂背景下的检测性能。该模块通过动态多尺度卷积自适应调节感受野，结合方向感知偏移机制引导采样点聚焦目标区域，减少背景噪声干扰，并引入可学习高斯分支强化点状目标响应。实验表明，该方法显著提升小目标定位精度与检测稳定性，有效降低漏检与误检率，在NUAA-SIRST、NUDT-SIRST等数据集上优于现有SOTA方法。
2026-09-26 21:10:21
54
原创 YOLO26涨点改进| TPAMI 2026顶刊 | 独家注意力改进篇| 引入 PSAB 置换自注意力模块，适合目标检测、图像分割、图像分类、图像超分辨率、图像去噪、图像去模糊任务，有效涨点
🔥本文提出将PSAB置换自注意力模块引入YOLO26，通过大窗口置换机制增强长距离依赖建模与全局上下文感知能力，同时结合通道压缩与空间到通道信息置换，在扩大感受野的同时控制计算开销。辅以ConvFFN强化局部高频细节，显著提升复杂场景下小目标、遮挡及低对比度目标的检测性能。该改进在不显著增加计算成本的前提下，实现特征表达质量的高效提升，适用于高精度目标检测任务。
2026-09-26 19:40:17
145
原创 YOLO26涨点改进| CVPR 2026顶会 | 独家Conv改进篇| 引入SAGB谱异性门控模块，适合目标检测、小目标检测、细长目标检测、遥感图像目标检测任务，有效涨点
本文提出SAGB谱异性门控模块，通过多分支各向异性卷积与二维FFT频域分析，联合建模空间方向性结构与周期纹理特征，实现对条纹、边缘等细长目标的精准识别。该模块在保留低计算开销的前提下，显著提升YOLO26在小目标、遥感图像及工业缺陷检测中的特征辨识能力与背景鲁棒性，适用于织物莫尔纹等复杂纹理场景，兼具自适应门控与高效融合机制，为前沿目标检测提供创新解决方案。
2026-09-20 14:51:24
80
原创 YOLO26涨点改进| CVPR 2026顶会 | 独家注意力改进篇| 引入SEA空间增强注意力，改善传统通道注意力对空间关系建模不足，适合图像分割、目标检测、细图像分类任务，有效涨点
本文提出一种新型空间增强注意力（SEA）机制，用于改进YOLO26目标检测模型。SEA通过引入可学习的空间门控，动态加权不同空间区域，增强对目标整体结构与局部关系的建模能力，弥补传统通道注意力在细粒度空间信息捕捉上的不足。结合小波变换模块（WaveDown）与小波感知卷积门控注意力（WACGA），实现结构与细节的协同优化。实验表明，该方法显著提升复杂场景下的特征提取质量与检测性能，尤其在古汉字图像修复等精细结构任务中表现优异。附完整代码与配置文件，支持高效实验与论文发表。
2026-09-20 14:24:44
47
原创 YOLO26涨点改进| CVPR 2026顶会 | 独家注意力改进篇| 引入WACGA小波感知卷积门控注意力，适合图像恢复、医学图像分割、目标检测、细粒度图像分类任务，有效涨点
本文提出WACGA小波感知卷积门控注意力模块，通过可学习二维小波变换分解特征为低频与多方向高频子带，结合方向性卷积与门控机制，实现对细线、尖角、纹理等高频细节的精准增强，同时抑制噪声干扰。该模块在深层网络中动态调节自注意力输出，融合频率、空间与注意力信息，显著提升模型对古汉字等复杂结构的表达能力，实验验证其在图像修复任务中优于现有方法。
2026-09-20 14:03:44
145
原创 YOLO26涨点改进| CVPR 2026顶会 | 独家下采样改进篇| 引入WaveDown小波下采样，减少下采样过程中的细节信息损失，适合图像恢复、图像分割、小目标检测、超分辨率任务，有效涨点
本文提出WaveDown小波下采样模块，通过并行空间下采样与可学习小波分解，实现低频结构与高频细节的显式分离。该模块利用频率信息动态增强空间特征，有效缓解传统下采样对边缘和细粒度结构的损失，显著提升图像恢复、小目标检测等任务性能。结合LWTformer架构，在古汉字修复中表现优异，兼具高精度与低计算开销，为视觉任务提供高效、可解释的多尺度特征表示。
2026-09-20 13:39:15
67
原创 YOLOv11涨点改进| ICML 2026顶会 | 独家Conv改进篇| 引入PloyMLP多项式多层感知机，从单分支特征变换转向双分支协同建模，适合目标检测、实例分割、遥感目标检测任务，有效涨点
🔥本文给大家介绍使用 PloyMLP多项式多层感知机 改进YOLOv11网络模型，PloyMLP将传统MLP中“线性映射+GELU激活”的通道变换方式改造成两条独立线性分支，并通过逐元素乘法让两组通道特征相互调制，再经过归一化和输出映射形成最终特征，从而利用乘法交互本身提供非线性和高阶通道关系。 它最大的特点是实现了“无点激活 + 双分支乘法门控 + 高阶通道交互 + 标准MLP接口兼容”，因此非常适合作为视觉网络中的Channel Mixer或FFN替代模块。适合YOLOv11目标检测、实例分割、遥感。
2026-08-31 22:00:59
104
原创 YOLOv11涨点改进| ICML 2026顶会 | 独家Conv改进篇| 引入PloyConv多项式卷积，增强不同尺度空间信息的交互，适合小目标检测、实例分割、遥感目标检测、图像分类任务，有效涨点
🔥本文给大家介绍使用 PloyConv多项式卷积 改进YOLOv11网络模型，PloyConv将传统可分离卷积中依赖GELU等激活函数的空间混合方式，改造成由两个异构深度卷积分支驱动的多项式空间混合：粗粒度空洞卷积分支负责大范围上下文，细粒度3×3卷积分支负责局部纹理，并通过通道翻转增加两路特征差异，再通过逐元素乘法建立跨尺度非线性交互，最后利用卷积进行空间整合和通道映射。 它最大的特点是实现了“大感受野上下文 + 局部细节 + 跨尺度乘法交互 + 无点激活空间建模”的统一。
2026-08-31 21:32:39
342
原创 【RT-DETR涨点改进】ICML 2026顶会 | 独家Conv改进篇| 引入PloyConv多项式卷积，增强不同尺度空间信息的交互，适合小目标检测、遥感目标检测，含8种创新改进，有效涨点
🔥本文给大家介绍使用 PloyConv多项式卷积 改进RT-DETR网络模型，PloyConv将传统可分离卷积中依赖GELU等激活函数的空间混合方式，改造成由两个异构深度卷积分支驱动的多项式空间混合：粗粒度空洞卷积分支负责大范围上下文，细粒度3×3卷积分支负责局部纹理，并通过通道翻转增加两路特征差异，再通过逐元素乘法建立跨尺度非线性交互，最后利用卷积进行空间整合和通道映射。 它最大的特点是实现了“大感受野上下文 + 局部细节 + 跨尺度乘法交互 + 无点激活空间建模”的统一。
2026-08-31 21:22:22
75
原创 【RT-DETR涨点改进】ICML 2026顶会 | 独家主干创新改进篇 | 引入APolyNeXt注意力混合型主干网络，适合遥感目标检测、小目标检测任务，有效涨点
🔥本文给大家介绍使用APolyNeXt主干网络 改进RT-DETR网络模型，APolyNeXt主干的核心可以概括为“前两阶段用PolyConv高效提取高分辨率局部和多尺度空间特征，后两阶段用PolyAttn建立低分辨率全局长距离关系，并在整个网络中利用PolyMLP进行高阶通道混合，再通过Sigmoid-Scale、多输入跳跃连接和深而窄设计保证深层多项式网络稳定训练”。因此它最大的特点是实现了局部细节、全局语义、高阶通道交互和层级多尺度特征的统一建模；非常适合作为通用Backbone迁移到rtdetr.
2026-08-31 20:36:29
226
原创 YOLOv11涨点改进| ICML 2026顶会 | 独家主干创新改进篇 | 引入APolyNeXt注意力混合型主干网络，适合图像分类、语义分割、遥感目标检测、实例分割、小目标检测任务，有效涨点
🔥本文给大家介绍使用 APolyNeXt主干网络 改进YOLOv11网络模型，APolyNeXt主干的核心可以概括为“前两阶段用PolyConv高效提取高分辨率局部和多尺度空间特征，后两阶段用PolyAttn建立低分辨率全局长距离关系，并在整个网络中利用PolyMLP进行高阶通道混合，再通过Sigmoid-Scale、多输入跳跃连接和深而窄设计保证深层多项式网络稳定训练”。因此它最大的特点是实现了局部细节、全局语义、高阶通道交互和层级多尺度特征的统一建模；论文直接验证最充分的是图像分类和语义分割。
2026-08-31 17:29:10
55
原创 YOLOv13涨点改进| ICML 2026顶会 | 独家主干创新改进篇 | 引入APolyNeXt注意力混合型主干网络，适合图像分类、语义分割、遥感目标检测、实例分割、小目标检测任务，有效涨点
🔥本文给大家介绍使用 APolyNeXt主干网络 改进YOLOv13网络模型，APolyNeXt主干的核心可以概括为“前两阶段用PolyConv高效提取高分辨率局部和多尺度空间特征，后两阶段用PolyAttn建立低分辨率全局长距离关系，并在整个网络中利用PolyMLP进行高阶通道混合，再通过Sigmoid-Scale、多输入跳跃连接和深而窄设计保证深层多项式网络稳定训练”。因此它最大的特点是实现了局部细节、全局语义、高阶通道交互和层级多尺度特征的统一建模；论文直接验证最充分的是图像分类和语义分割。
2026-08-31 17:08:39
55
原创 YOLOv12涨点改进| ICML 2026顶会 | 独家主干创新改进篇 | 引入APolyNeXt注意力混合型主干网络，适合图像分类、语义分割、遥感目标检测、实例分割、小目标检测任务，有效涨点
🔥本文给大家介绍使用 APolyNeXt主干网络 改进YOLOv12网络模型，APolyNeXt主干的核心可以概括为“前两阶段用PolyConv高效提取高分辨率局部和多尺度空间特征，后两阶段用PolyAttn建立低分辨率全局长距离关系，并在整个网络中利用PolyMLP进行高阶通道混合，再通过Sigmoid-Scale、多输入跳跃连接和深而窄设计保证深层多项式网络稳定训练”。因此它最大的特点是实现了局部细节、全局语义、高阶通道交互和层级多尺度特征的统一建模；论文直接验证最充分的是图像分类和语义分割。
2026-08-31 14:00:47
134
原创 YOLO26涨点改进| ICML 2026顶会 | 独家主干创新改进篇 | 引入APolyNeXt注意力混合型主干网络，适合图像分类、语义分割、遥感目标检测、实例分割、小目标检测任务，有效涨点
🔥本文给大家介绍使用 APolyNeXt主干网络 改进YOLO26网络模型，APolyNeXt主干的核心可以概括为“前两阶段用PolyConv高效提取高分辨率局部和多尺度空间特征，后两阶段用PolyAttn建立低分辨率全局长距离关系，并在整个网络中利用PolyMLP进行高阶通道混合，再通过Sigmoid-Scale、多输入跳跃连接和深而窄设计保证深层多项式网络稳定训练”。因此它最大的特点是实现了局部细节、全局语义、高阶通道交互和层级多尺度特征的统一建模。
2026-08-31 13:24:13
225
原创 YOLO26涨点改进| ICML 2026顶会 | 独家Conv改进篇| 引入PloyMLP多项式多层感知机，从单分支特征变换转向双分支协同建模，适合目标检测、实例分割、遥感目标检测任务，有效涨点
🔥本文给大家介绍使用 PloyMLP多项式多层感知机 改进YOLO26网络模型，PloyMLP将传统MLP中“线性映射+GELU激活”的通道变换方式改造成两条独立线性分支，并通过逐元素乘法让两组通道特征相互调制，再经过归一化和输出映射形成最终特征，从而利用乘法交互本身提供非线性和高阶通道关系。 它最大的特点是实现了“无点激活 + 双分支乘法门控 + 高阶通道交互 + 标准MLP接口兼容”，因此非常适合作为视觉网络中的Channel Mixer或FFN替代模块。适合YOLO26目标检测、实例分割、遥感任务。
2026-08-28 17:41:58
50
原创 YOLO26涨点改进| ICML 2026顶会 | 独家Conv改进篇| 引入PloyConv多项式卷积，增强不同尺度空间信息的交互，适合小目标检测、实例分割、遥感目标检测、图像分类任务，有效涨点
🔥本文给大家介绍使用 PloyConv多项式卷积 改进YOLO26网络模型，PloyConv将传统可分离卷积中依赖GELU等激活函数的空间混合方式，改造成由两个异构深度卷积分支驱动的多项式空间混合：粗粒度空洞卷积分支负责大范围上下文，细粒度3×3卷积分支负责局部纹理，并通过通道翻转增加两路特征差异，再通过逐元素乘法建立跨尺度非线性交互，最后利用卷积进行空间整合和通道映射。 它最大的特点是实现了“大感受野上下文 + 局部细节 + 跨尺度乘法交互 + 无点激活空间建模”的统一。
2026-08-28 17:25:20
132
原创 YOLOv11涨点改进| ICML 2026顶会| 独家注意力改进篇| 引入PloyAttn多项式注意力，利用多项式注意力核和归一化完成动态特征聚合，适合目标检测、实例分割、遥感目标检测任务，有效涨点
🔥本文给大家介绍使用 PloyAttn多项式注意力 改进YOLOv11网络模型，PloyAttn利用其“多项式注意力核 + Query/Key共享映射 + Q/K/V深度卷积局部增强”的结构，在保留Self-Attention长距离依赖建模能力的同时，用多项式运算替代Softmax指数计算，并通过深度卷积补充目标边缘、纹理和邻域细节，从而增强YOLOv11对复杂背景、多尺度目标、遮挡目标以及需要上下文辅助判断的小目标的特征表达能力。
2026-08-26 22:38:52
126
原创 YOLOv13涨点改进| ICML 2026顶会| 独家注意力改进篇| 引入PloyAttn多项式注意力，利用多项式注意力核和归一化完成动态特征聚合，适合目标检测、实例分割、遥感目标检测任务，有效涨点
🔥本文给大家介绍使用 PloyAttn多项式注意力 改进YOLOv13网络模型，PloyAttn利用其“多项式注意力核 + Query/Key共享映射 + Q/K/V深度卷积局部增强”的结构，在保留Self-Attention长距离依赖建模能力的同时，用多项式运算替代Softmax指数计算，并通过深度卷积补充目标边缘、纹理和邻域细节，从而增强YOLOv13对复杂背景、多尺度目标、遮挡目标以及需要上下文辅助判断的小目标的特征表达能力。
2026-08-26 22:23:56
31
原创 YOLOv12涨点改进| ICML 2026顶会| 独家注意力改进篇| 引入PloyAttn多项式注意力，利用多项式注意力核和归一化完成动态特征聚合，适合目标检测、实例分割、遥感目标检测任务，有效涨点
🔥本文给大家介绍使用 PloyAttn多项式注意力 改进YOLOv12网络模型，PloyAttn利用其“多项式注意力核 + Query/Key共享映射 + Q/K/V深度卷积局部增强”的结构，在保留Self-Attention长距离依赖建模能力的同时，用多项式运算替代Softmax指数计算，并通过深度卷积补充目标边缘、纹理和邻域细节，从而增强YOLOv12对复杂背景、多尺度目标、遮挡目标以及需要上下文辅助判断的小目标的特征表达能力。
2026-08-26 22:10:37
36
原创 YOLO26涨点改进| ICML 2026顶会 | 独家注意力改进篇| 引入PloyAttn多项式注意力，利用多项式注意力核和归一化完成动态特征聚合，适合目标检测、实例分割、遥感目标检测任务，有效涨点
🔥本文给大家介绍使用 PloyAttn多项式注意力 改进YOLO26网络模型，PloyAttn利用其“多项式注意力核 + Query/Key共享映射 + Q/K/V深度卷积局部增强”的结构，在保留Self-Attention长距离依赖建模能力的同时，用多项式运算替代Softmax指数计算，并通过深度卷积补充目标边缘、纹理和邻域细节，从而增强YOLO26对复杂背景、多尺度目标、遮挡目标以及需要上下文辅助判断的小目标的特征表达能力。相比标准注意力，PolyAttn具有局部与全局信息协同。
2026-08-26 22:00:08
417
原创 YOLOv11涨点改进| TCSVT 2026 | 注意力创新改进篇| 引入 MPSA-CA多尺度稀疏注意力模块，增强小区域和细粒度目标，适合实例分割、医学图像分割、目标检测、小目标检测任务，涨点改进
🔥本文给大家介绍使用 MPSA-CA多尺度稀疏注意力模块 改进YOLOv11网络模型，MPSA-CA可以概括为：先利用多尺度深度可分离卷积和位置编码增强视觉特征，再让可学习Query与当前图像中的视觉区域计算语义匹配，通过空间Mask排除背景，从前景中为每个Query选择最相关的Top-1视觉Prototype，同时过滤不存在有效匹配的Query，最后利用Query与Prototype之间的相似程度进行可靠性重加权并完成稀疏Query更新。
2026-08-26 13:20:43
138
原创 YOLOv12涨点改进| TCSVT 2026 | 注意力创新改进篇| 引入 MPSA-CA多尺度稀疏注意力模块，增强小区域和细粒度目标，适合实例分割、医学图像分割、目标检测、小目标检测任务，涨点改进
🔥本文给大家介绍使用 MPSA-CA多尺度稀疏注意力模块 改进YOLOv12网络模型，MPSA-CA可以概括为：先利用多尺度深度可分离卷积和位置编码增强视觉特征，再让可学习Query与当前图像中的视觉区域计算语义匹配，通过空间Mask排除背景，从前景中为每个Query选择最相关的Top-1视觉Prototype，同时过滤不存在有效匹配的Query，最后利用Query与Prototype之间的相似程度进行可靠性重加权并完成稀疏Query更新。
2026-08-26 12:21:35
30
原创 YOLOv13涨点改进| TCSVT 2026 | 注意力创新改进篇| 引入 MPSA-CA多尺度稀疏注意力模块，增强小区域和细粒度目标，适合实例分割、医学图像分割、目标检测、小目标检测任务，涨点改进
🔥本文给大家介绍使用 MPSA-CA多尺度稀疏注意力模块 改进YOLOv13网络模型，MPSA-CA可以概括为：先利用多尺度深度可分离卷积和位置编码增强视觉特征，再让可学习Query与当前图像中的视觉区域计算语义匹配，通过空间Mask排除背景，从前景中为每个Query选择最相关的Top-1视觉Prototype，同时过滤不存在有效匹配的Query，最后利用Query与Prototype之间的相似程度进行可靠性重加权并完成稀疏Query更新。
2026-08-26 12:11:34
24
原创 YOLOv13涨点改进| TCSVT 2026 | 卷积创新改进篇 | 引入 ACE 轴向卷积增强模块，兼顾全局上下文建模、局部空间细节，适合实例分割、医学图像分割、目标检测、小目标检测任务，涨点改进
🔥本文给大家介绍使用 ACE 轴向卷积增强模块 改进YOLOv13网络模型，ACE利用其“轴向空间压缩 + 水平/垂直长距离注意力 + 深度卷积与条带卷积细节补偿 + 门控融合”的机制，在较低计算成本下增强全局上下文建模能力，同时保留目标边缘、纹理和方向性结构，从而提升YOLOv13对多尺度目标、小目标、遮挡目标及复杂背景目标的特征表达与定位能力。相比完整二维自注意力，ACE通过将二维空间关系压缩为水平和垂直两个一维方向进行建模，可显著减少密集像素交互带来的计算开销。
2026-08-26 12:00:27
131
原创 YOLOv13涨点改进| TGRS 2026 | 卷积创新改进篇| 引入 LSFE 特征提取模块，通过多视角注意力建立不同视角之间的全局关联，适合高光谱图像分类、高光谱异常检测、目标检测任务，涨点改进
🔥本文给大家介绍使用 LSFE 特征提取模块 改进YOLOv13网络模型，LSFE将不同尺度、不同通道组或不同层级的检测特征视为互补视角，利用注意力机制建立各视角之间的关联，再通过深度卷积强化局部纹理、边缘和细粒度结构，并根据当前场景动态调整各视角的重要性，从而提升YOLOv13对小目标、密集目标和复杂背景目标的特征辨识能力。其优势在于能够同时兼顾跨视角全局关系与局部细节，减少无效或冗余特征干扰，提高多尺度信息利用效率，同时深度卷积与点卷积具有较好的轻量化潜力。
2026-08-26 11:48:36
29
原创 YOLOv12涨点改进| TCSVT 2026 | 卷积创新改进篇 | 引入 ACE 轴向卷积增强模块，兼顾全局上下文建模、局部空间细节，适合实例分割、医学图像分割、目标检测、小目标检测任务，涨点改进
🔥本文给大家介绍使用 ACE 轴向卷积增强模块 改进YOLOv12网络模型，ACE利用其“轴向空间压缩 + 水平/垂直长距离注意力 + 深度卷积与条带卷积细节补偿 + 门控融合”的机制，在较低计算成本下增强全局上下文建模能力，同时保留目标边缘、纹理和方向性结构，从而提升YOLOv12对多尺度目标、小目标、遮挡目标及复杂背景目标的特征表达与定位能力。相比完整二维自注意力，ACE通过将二维空间关系压缩为水平和垂直两个一维方向进行建模，可显著减少密集像素交互带来的计算开销。
2026-08-25 23:29:53
197
原创 YOLOv12涨点改进| TGRS 2026 | 卷积创新改进篇| 引入 LSFE 特征提取模块，通过多视角注意力建立不同视角之间的全局关联，适合高光谱图像分类、高光谱异常检测、目标检测任务，涨点改进
🔥本文给大家介绍使用 LSFE 特征提取模块 改进YOLOv12网络模型，LSFE将不同尺度、不同通道组或不同层级的检测特征视为互补视角，利用注意力机制建立各视角之间的关联，再通过深度卷积强化局部纹理、边缘和细粒度结构，并根据当前场景动态调整各视角的重要性，从而提升YOLOv12对小目标、密集目标和复杂背景目标的特征辨识能力。其优势在于能够同时兼顾跨视角全局关系与局部细节，减少无效或冗余特征干扰，提高多尺度信息利用效率，同时深度卷积与点卷积具有较好的轻量化潜力。
2026-08-25 23:19:44
30
原创 YOLOv11涨点改进| TCSVT 2026 | 卷积创新改进篇 | 引入 ACE 轴向卷积增强模块，兼顾全局上下文建模、局部空间细节，适合实例分割、医学图像分割、目标检测、小目标检测任务，涨点改进
🔥本文给大家介绍使用 ACE 轴向卷积增强模块 改进YOLOv11网络模型，ACE利用其“轴向空间压缩 + 水平/垂直长距离注意力 + 深度卷积与条带卷积细节补偿 + 门控融合”的机制，在较低计算成本下增强全局上下文建模能力，同时保留目标边缘、纹理和方向性结构，从而提升YOLOv11对多尺度目标、小目标、遮挡目标及复杂背景目标的特征表达与定位能力。相比完整二维自注意力，ACE通过将二维空间关系压缩为水平和垂直两个一维方向进行建模，可显著减少密集像素交互带来的计算开销。
2026-08-25 23:09:19
50
原创 YOLOv11涨点改进| TGRS 2026 | 卷积创新改进篇| 引入 LSFE 特征提取模块，通过多视角注意力建立不同视角之间的全局关联，适合高光谱图像分类、高光谱异常检测、目标检测任务，涨点改进
🔥本文给大家介绍使用 LSFE 特征提取模块 改进YOLOv11网络模型，LSFE将不同尺度、不同通道组或不同层级的检测特征视为互补视角，利用注意力机制建立各视角之间的关联，再通过深度卷积强化局部纹理、边缘和细粒度结构，并根据当前场景动态调整各视角的重要性，从而提升YOLOv11对小目标、密集目标和复杂背景目标的特征辨识能力。其优势在于能够同时兼顾跨视角全局关系与局部细节，减少无效或冗余特征干扰，提高多尺度信息利用效率，同时深度卷积与点卷积具有较好的轻量化潜力。
2026-08-25 22:58:16
43
原创 YOLO26涨点改进| TCSVT 2026 | 注意力创新改进篇 | 引入 MPSA-CA多尺度稀疏注意力模块，增强小区域和细粒度目标，适合实例分割、医学图像分割、目标检测、小目标检测任务，涨点改进
🔥本文给大家介绍使用 MPSA-CA多尺度稀疏注意力模块 改进YOLO26网络模型，MPSA-CA可以概括为：先利用多尺度深度可分离卷积和位置编码增强视觉特征，再让可学习Query与当前图像中的视觉区域计算语义匹配，通过空间Mask排除背景，从前景中为每个Query选择最相关的Top-1视觉Prototype，同时过滤不存在有效匹配的Query，最后利用Query与Prototype之间的相似程度进行可靠性重加权并完成稀疏Query更新。适合向DETR/RT-DETR类目标检测、小目标检测、实例分割。
2026-08-25 22:44:37
147
原创 YOLO26涨点改进| TCSVT 2026 | 卷积创新改进篇 | 引入 ACE 轴向卷积增强模块，兼顾全局上下文建模、局部空间细节，适合实例分割、医学图像分割、目标检测、小目标检测任务，涨点改进
🔥本文给大家介绍使用 ACE 轴向卷积增强模块 改进YOLO26网络模型，ACE利用其“轴向空间压缩 + 水平/垂直长距离注意力 + 深度卷积与条带卷积细节补偿 + 门控融合”的机制，在较低计算成本下增强全局上下文建模能力，同时保留目标边缘、纹理和方向性结构，从而提升YOLO26对多尺度目标、小目标、遮挡目标及复杂背景目标的特征表达与定位能力。相比完整二维自注意力，ACE通过将二维空间关系压缩为水平和垂直两个一维方向进行建模，可显著减少密集像素交互带来的计算开销，而3×3深度卷积和1×7、7×1条带卷积。
2026-08-25 22:21:31
126
原创 YOLO26涨点改进| TGRS 2026 | 卷积创新改进篇 | 引入 LSFE 特征提取模块，通过多视角注意力建立不同视角之间的全局关联，适合高光谱图像分类、高光谱异常检测、目标检测任务，涨点改进
🔥本文给大家介绍使用 LSFE 特征提取模块 改进YOLO26网络模型，LSFE将不同尺度、不同通道组或不同层级的检测特征视为互补视角，利用注意力机制建立各视角之间的关联，再通过深度卷积强化局部纹理、边缘和细粒度结构，并根据当前场景动态调整各视角的重要性，从而提升YOLO26对小目标、密集目标和复杂背景目标的特征辨识能力。其优势在于能够同时兼顾跨视角全局关系与局部细节，减少无效或冗余特征干扰，提高多尺度信息利用效率，同时深度卷积与点卷积具有较好的轻量化潜力；因此用于YOLO26属于结构思想迁移。
2026-08-24 17:57:47
198
2
原创 YOLOv11涨点改进| SCI 2026 | 卷积、检测头创改进篇| 引入MCFAD-YOLO专门面向遥感图像小目标检测设计，含AGDDown、C3k2_SCEM、TCFA_Head三种创新模块
本文提出MCFAD-YOLO模型，针对YOLOv11在小目标检测中的特征衰减问题进行了三方面创新改进：在Backbone中引入C3k2-SCEM模块增强多尺度上下文感知能力；在Neck部分采用AGDDown双路径下采样实现细节与结构的自适应保留；在检测头设计TCFA-Head通过三路径特征融合补偿浅层细节和大感受野上下文。实验表明，该模型在SIMD、VisDrone2019和RSOD数据集上相比YOLOv11-S分别提升mAP50达2.1%、3.0%和0.4%，特别适合遥感小目标、无人机航拍等密集多尺度场景
2026-08-24 17:26:05
190
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