<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[tsg6698的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/tsg6698</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; tsg6698]]></copyright><item><title><![CDATA[YOLOv12改进 | 卷积篇 | YOLOv12引入AAAI2025为红外小目标检测的风车形卷积——PConv（Pinwheel-shaped Convolution）]]></title><link>https://blog.csdn.net/tsg6698/article/details/146876722</link><guid>https://blog.csdn.net/tsg6698/article/details/146876722</guid><author>tsg6698</author><pubDate>Mon, 31 Mar 2025 18:33:59 +0800</pubDate><description><![CDATA[PConv在保持参数量适度增长（仅比标准3×3卷积增加约111%）的同时，实现了感受野提升178%的效果，在红外小目标检测任务中可有效增强目标与背景的对比度，提升弱小目标的检测率，具备可插拔、易部署、高性能的优势。到此本文的正式分享内容就结束了，在这里给大家推荐我的YOLOv12改进有效涨点专栏，本专栏目前为新开的，后期我会根据各种前沿顶会进行论文复现，也会对一些老的改进机制进行补充，如果大家觉得本文帮助到你了，订阅本专栏，关注后续更多的更新~在PConv.py文件里添加给出的PConv代码。]]></description><category></category></item><item><title><![CDATA[YOLOv12改进 | 注意力篇 | YOLOv12引入ECA注意力机制]]></title><link>https://blog.csdn.net/tsg6698/article/details/146267049</link><guid>https://blog.csdn.net/tsg6698/article/details/146267049</guid><author>tsg6698</author><pubDate>Fri, 14 Mar 2025 20:51:28 +0800</pubDate><description><![CDATA[ECA模块通过自适应选择卷积核大小，精确界定了局部跨通道交互的覆盖范围，实现了参数的高效利用和计算成本的显著降低。在ResNets和MobileNetV2等主流神经网络结构中，ECA模块以极少的参数和计算资源，显著提升了模型的性能，相比其他注意力模块展现出更高的效率和优越性。到此本文的正式分享内容就结束了，在这里给大家推荐我的YOLOv12改进有效涨点专栏，本专栏目前为新开的，后期我会根据各种前沿顶会进行论文复现，也会对一些老的改进机制进行补充，如果大家觉得本文帮助到你了，订阅本专栏，关注后续更多的更新~]]></description><category></category></item><item><title><![CDATA[YOLOv12改进 | Neck篇 | YOLOv12引入BiFPN双向特征金字塔网络]]></title><link>https://blog.csdn.net/tsg6698/article/details/146266874</link><guid>https://blog.csdn.net/tsg6698/article/details/146266874</guid><author>tsg6698</author><pubDate>Fri, 14 Mar 2025 20:42:11 +0800</pubDate><description><![CDATA[到此本文的正式分享内容就结束了，在这里给大家推荐我的YOLOv12改进有效涨点专栏，本专栏目前为新开的，后期我会根据各种前沿顶会进行论文复现，也会对一些老的改进机制进行补充，如果大家觉得本文帮助到你了，订阅本专栏，关注后续更多的更新~简单介绍: 本文给大家带来的改进机制是BiFPN双向特征金字塔网络，是一种特征融合层的结构，改进YOLOv11模型中的Neck部分，它的主要思想是通过多层级的特征金字塔和双向信息传递来提高精度。在BiFPN.py文件里添加给出的BiFPN代码。3.3 在task.py里引用。]]></description><category></category></item><item><title><![CDATA[YOLOv12改进 | 注意力篇 | YOLOv12引入GAM注意力机制]]></title><link>https://blog.csdn.net/tsg6698/article/details/146266654</link><guid>https://blog.csdn.net/tsg6698/article/details/146266654</guid><author>tsg6698</author><pubDate>Fri, 14 Mar 2025 20:30:58 +0800</pubDate><description><![CDATA[对 CIFAR-100和lmageNet-1K上图像分类任务的拟议机制的评估表明我们的方法稳定地优于ResNet和轻量级的 MobileNet的几个最近的注意机制。到此本文的正式分享内容就结束了，在这里给大家推荐我的YOLOv12改进有效涨点专栏，本专栏目前为新开的，后期我会根据各种前沿顶会进行论文复现，也会对一些老的改进机制进行补充，如果大家觉得本文帮助到你了，订阅本专栏，关注后续更多的更新~添加完GAM代码后，在ultralytics/nn/Extramodule/__init__.py文件中引用。]]></description><category></category></item><item><title><![CDATA[YOLOv12改进 | 注意力篇 | YOLOv12引入CA注意力机制]]></title><link>https://blog.csdn.net/tsg6698/article/details/145785094</link><guid>https://blog.csdn.net/tsg6698/article/details/145785094</guid><author>tsg6698</author><pubDate>Fri, 21 Feb 2025 20:27:28 +0800</pubDate><description><![CDATA[摘要：最近关于移动网络设计的研究已经证明了通道注意力（例如，挤压和激励注意力）对于提升模型性能的显着有效性，但它们通常忽略了位置信息，而位置信息对于生成空间选择性注意力图很重要。到此本文的正式分享内容就结束了，在这里给大家推荐我的YOLOv12改进有效涨点专栏，本专栏目前为新开的，后期我会根据各种前沿顶会进行论文复现，也会对一些老的改进机制进行补充，如果大家觉得本文帮助到你了，订阅本专栏，关注后续更多的更新~3.2 在Extramodule里创建CA。在CA.py文件里添加给出的CA代码。]]></description><category></category></item><item><title><![CDATA[YOLOv12改进 | 卷积篇 | YOLOv12引入AKConv（轻量）]]></title><link>https://blog.csdn.net/tsg6698/article/details/145762156</link><guid>https://blog.csdn.net/tsg6698/article/details/145762156</guid><author>tsg6698</author><pubDate>Thu, 20 Feb 2025 20:21:21 +0800</pubDate><description><![CDATA[很明显，不同数据集和不同位置的目标的形状和大小是不同的。针对上述问题，本工作探索了可改变核卷积（AKConv），它赋予卷积核任意数量的参数和任意采样形状，为网络开销和性能之间的权衡提供更丰富的选择。简单介绍:本文给大家带来的改进内容是AKConv是一种创新的变核卷积，它旨在解决标准卷积操作么中的固有缺陷(采样形状是固定的)，AKConv的核心思想在于它为卷积核提供了任意数量的参数和任意采样形状，能够使用任意数量的参数(如1,2,3,4,5,6,7等)来提取特征，这在标准卷积和可变形卷积中并未实现。]]></description><category></category></item><item><title><![CDATA[YOLOv12改进 | 注意力篇 | YOLOv12引入CBAM注意力机制]]></title><link>https://blog.csdn.net/tsg6698/article/details/145760868</link><guid>https://blog.csdn.net/tsg6698/article/details/145760868</guid><author>tsg6698</author><pubDate>Thu, 20 Feb 2025 19:14:14 +0800</pubDate><description><![CDATA[我们的实验表明各种模型的分类和检测性能得到了一致的改进，证明了 CBAM 的广泛适用性。简单介绍:CBAM的主要思想是通过关注重要的特征并抑制不必要的特征来增强网络的表示能力。模块首先应用通道注意力，关注"重要的"特征，然后应用空间注意力，关注这些特征的"重要位置"。到此本文的正式分享内容就结束了，在这里给大家推荐我的YOLOv12改进有效涨点专栏，本专栏目前为新开的，后期我会根据各种前沿顶会进行论文复现，也会对一些老的改进机制进行补充，如果大家觉得本文帮助到你了，订阅本专栏，关注后续更多的更新~]]></description><category></category></item><item><title><![CDATA[基于YOLO11的遥感影像山体滑坡检测系统]]></title><link>https://blog.csdn.net/tsg6698/article/details/145417686</link><guid>https://blog.csdn.net/tsg6698/article/details/145417686</guid><author>tsg6698</author><pubDate>Sun, 02 Feb 2025 09:08:37 +0800</pubDate><description><![CDATA[（该系统可以根据数据训练出的yolo11的权重文件，运用在其他检测系统上，如火焰检测，口罩检测等等，可以根据检测目标更改UI界面。按照7：2：1随机划分：训练集 6736张   验证集 1924张  测试集 963张。该数据集也可用于训练YOLOv5 YOLOv9  YOLOv10  YOLOv8。通过PYQT构建UI界面，包含图片检测，视频检测，摄像头实时检测。基于YOLO11的遥感影像山体滑坡检测系统 (价格90)['山体滑坡']     1种情况。包含    ['slide']]]></description><category></category></item><item><title><![CDATA[基于YOLO11的肺结节检测系统]]></title><link>https://blog.csdn.net/tsg6698/article/details/145412178</link><guid>https://blog.csdn.net/tsg6698/article/details/145412178</guid><author>tsg6698</author><pubDate>Sat, 01 Feb 2025 13:39:30 +0800</pubDate><description><![CDATA[（该系统可以根据数据训练出的yolo11的权重文件，运用在其他检测系统上，如火焰检测，口罩检测等等，可以根据检测目标更改UI界面。按照8：1：1随机划分训练集（948张）、验证集（118张）与测试集（120张）该数据集也可用于训练YOLOv5 YOLOv9  YOLOv10  YOLOv8。通过PYQT构建UI界面，包含图片检测，视频检测，摄像头实时检测。基于YOLO11的肺结节检测系统 (价格90)肺结节     1种情况。包含    nodule。数据一共 1186张。]]></description><category></category></item><item><title><![CDATA[基于YOLO11的铁路工人检测系统]]></title><link>https://blog.csdn.net/tsg6698/article/details/145191362</link><guid>https://blog.csdn.net/tsg6698/article/details/145191362</guid><author>tsg6698</author><pubDate>Thu, 16 Jan 2025 20:31:34 +0800</pubDate><description><![CDATA[（该系统可以根据数据训练出的yolo11的权重文件，运用在其他检测系统上，如火焰检测，口罩检测等等，可以根据检测目标更改UI界面。['背心', '头盔', '工人']     3个类。包含   ['vest', 'helmet', 'worker']通过PYQT构建UI界面，包含图片检测，视频检测，摄像头实时检测。基于YOLO11的铁路工人检测系统  (价格90)]]></description><category></category></item><item><title><![CDATA[基于YOLOv8的卫星图像中船只检测系统]]></title><link>https://blog.csdn.net/tsg6698/article/details/145169816</link><guid>https://blog.csdn.net/tsg6698/article/details/145169816</guid><author>tsg6698</author><pubDate>Wed, 15 Jan 2025 22:54:26 +0800</pubDate><description><![CDATA[（该系统可以根据数据训练出的yolov8的权重文件，运用在其他检测系统上，如火焰检测，口罩检测等等，可以根据检测目标更改UI界面。训练集 3617张   验证集  452张   测试集  453张。通过PYQT构建UI界面，包含图片检测，视频检测，摄像头实时检测。基于YOLOv8的卫星图像中船只检测系统   (价格90)['船只']  1个类。使用的是 MASATI-V2  数据集。包含 ['boat']]]></description><category></category></item><item><title><![CDATA[YOLOv11改进 | 注意力篇 | YOLOv11引入24年轻量级坐标注意力【Lightweight Coordinate Attention (LCA)】，并构建C2PSA_LCA]]></title><link>https://blog.csdn.net/tsg6698/article/details/145081598</link><guid>https://blog.csdn.net/tsg6698/article/details/145081598</guid><author>tsg6698</author><pubDate>Sat, 11 Jan 2025 20:06:40 +0800</pubDate><description><![CDATA[1.LCA介绍1.1  摘要：装备有热红外（TIR）相机的无人机（UAV）在打击夜间野生动物偷猎中发挥着至关重要的作用。然而，TIR图像经常面临抖动和野生动物重叠等挑战，这就要求无人机具备识别模糊和重叠小目标的能力。当前部署在无人机上的传统轻量级网络难以从模糊小目标中提取特征。为了解决这一问题，我们开发了ALSS-YOLO，这是一款针对TIR航拍图像优化的高效轻量探测器。“为此，本文提出了一种新的自适应轻量级信道分离与混洗模块。]]></description><category></category></item><item><title><![CDATA[基于YOLOv8的水下目标检测系统]]></title><link>https://blog.csdn.net/tsg6698/article/details/145042032</link><guid>https://blog.csdn.net/tsg6698/article/details/145042032</guid><author>tsg6698</author><pubDate>Thu, 09 Jan 2025 20:39:11 +0800</pubDate><description><![CDATA[（该系统可以根据数据训练出的yolov8的权重文件，运用在其他检测系统上，如火焰检测，口罩检测等等，可以根据检测目标更改UI界面。包含 ['holothurians', 'echinus', 'scallops', 'starfish']['海参', '海胆', '扇贝', '海星']   4个类。训练集  6671张   验证集  1111张   测试集 1111张。通过PYQT构建UI界面，包含图片检测，视频检测，摄像头实时检测。基于YOLOv8的水下目标检测系统   (价格90)]]></description><category></category></item><item><title><![CDATA[YOLOv11改进 | 独家创新- 注意力篇 | YOLOv11引入跨层级通道注意力[CLCA (Cross-Level Channel Attention)]，并构建C2PSA_CLCA(独家创新)]]></title><link>https://blog.csdn.net/tsg6698/article/details/145016378</link><guid>https://blog.csdn.net/tsg6698/article/details/145016378</guid><author>tsg6698</author><pubDate>Wed, 08 Jan 2025 20:09:52 +0800</pubDate><description><![CDATA[CLCA（Cross-Level Channel Attention）模块是跨层级的通道注意力机制，旨在通过对不同层次的特征进行加权，提升模型对多尺度信息的学习能力。]]></description><category></category></item><item><title><![CDATA[基于YOLOv8的家猪行为检测系统]]></title><link>https://blog.csdn.net/tsg6698/article/details/145011040</link><guid>https://blog.csdn.net/tsg6698/article/details/145011040</guid><author>tsg6698</author><pubDate>Wed, 08 Jan 2025 15:42:37 +0800</pubDate><description><![CDATA[包含 ['drinking', 'eating', 'lying', 'sitting', 'sniffing', 'standing']（该系统可以根据数据训练出的yolov8的权重文件，运用在其他检测系统上，如火焰检测，口罩检测等等，可以根据检测目标更改UI界面。['喝', '吃', '躺', '坐', '嗅', '站']   6个类。通过PYQT构建UI界面，包含图片检测，视频检测，摄像头实时检测。基于YOLOv8的家猪行为检测系统   (价格90)]]></description><category></category></item><item><title><![CDATA[基于YOLO11的无人机视角下羊群检测系统]]></title><link>https://blog.csdn.net/tsg6698/article/details/145006519</link><guid>https://blog.csdn.net/tsg6698/article/details/145006519</guid><author>tsg6698</author><pubDate>Wed, 08 Jan 2025 13:18:09 +0800</pubDate><description><![CDATA[（该系统可以根据数据训练出的yolo11的权重文件，运用在其他检测系统上，如火焰检测，口罩检测等等，可以根据检测目标更改UI界面。通过PYQT构建UI界面，包含图片检测，视频检测，摄像头实时检测。基于YOLO11的无人机视角下羊群检测系统  (价格90)包含   ['sheep']]]></description><category></category></item><item><title><![CDATA[基于YOLOv8的小麦检测系统]]></title><link>https://blog.csdn.net/tsg6698/article/details/144969877</link><guid>https://blog.csdn.net/tsg6698/article/details/144969877</guid><author>tsg6698</author><pubDate>Mon, 06 Jan 2025 18:47:47 +0800</pubDate><description><![CDATA[（该系统可以根据数据训练出的yolov8的权重文件，运用在其他检测系统上，如火焰检测，口罩检测等等，可以根据检测目标更改UI界面。通过PYQT构建UI界面，包含图片检测，视频检测，摄像头实时检测。基于YOLOv8的小麦检测系统   (价格80)【小麦】   1个类。包含 ['wheat']]]></description><category></category></item><item><title><![CDATA[YOLOv11改进 | 注意力篇 | YOLOv11引入24年空间和通道协同注意模块(SCSA)，并构建C2PSA_SCSA]]></title><link>https://blog.csdn.net/tsg6698/article/details/144969732</link><guid>https://blog.csdn.net/tsg6698/article/details/144969732</guid><author>tsg6698</author><pubDate>Mon, 06 Jan 2025 18:43:32 +0800</pubDate><description><![CDATA[1.SCSA介绍1.1  摘要：通道关注和空间关注分别为各种下游视觉任务的特征依赖和空间结构关系提取带来了显著的改进。通道和空间注意力的结合使用被广泛认为有利于进一步提高性能，然而，通道和空间注意力之间的协同效应，特别是在空间指导和减轻语义差异方面，尚未得到深入研究。这促使我们提出了一个新的空间和通道协同注意模块（SCSA），需要我们的调查在多个语义层次上的空间和通道的注意力之间的协同关系。我们的SCSA由两部分组成：可共享多语义空间注意力（SMSA）和渐进通道自我注意力（PCSA）。]]></description><category></category></item><item><title><![CDATA[基于YOLO11的交通标志检测系统]]></title><link>https://blog.csdn.net/tsg6698/article/details/144957053</link><guid>https://blog.csdn.net/tsg6698/article/details/144957053</guid><author>tsg6698</author><pubDate>Mon, 06 Jan 2025 10:07:27 +0800</pubDate><description><![CDATA[（该系统可以根据数据训练出的yolo11的权重文件，运用在其他检测系统上，如火焰检测，口罩检测等等，可以根据检测目标更改UI界面。包含  ['left', 'no-left', 'no-right', 'right', 'stop', 'straight']['左转', '禁止左转', '禁止右转', '右转', '停', '直行']   6个类。通过PYQT构建UI界面，包含图片检测，视频检测，摄像头实时检测。基于YOLO11的交通标志检测系统  (价格90)]]></description><category></category></item><item><title><![CDATA[YOLOv11改进 | 注意力篇 | YOLOv11引入24年ECCV的自调制特征聚合注意力模块(SMFA)，并构建C2PSA_SMFA]]></title><link>https://blog.csdn.net/tsg6698/article/details/144950121</link><guid>https://blog.csdn.net/tsg6698/article/details/144950121</guid><author>tsg6698</author><pubDate>Sun, 05 Jan 2025 20:13:37 +0800</pubDate><description><![CDATA[1.SMFA介绍1.1  摘要：基于Transformer的图像复原方法由于Transformer的自注意（self-attention，SA）特性能够更好地挖掘非局部信息，从而获得更好的高分辨率图像重建效果，因此具有重要的应用价值。然而，关键点积SA需要大量的计算资源，这限制了其在低功耗器件中的应用。此外，模拟退火机制的低通特性限制了其捕获局部细节的能力，从而导致平滑的重建结果。]]></description><category></category></item></channel></rss>