<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[魔改工程师的博客]]></title><description><![CDATA[零基础也能学会YOLO，轻松上手真不难！YOLO,simplified: Learn fast. Build faster.]]></description><link>https://blog.csdn.net/yolochangeworld</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; yolochangeworld]]></copyright><item><title><![CDATA[YOLO26改进 - C3k2 | C3k2模块融合FMB模块 (Feature Modulation Block) 通过多层次特征调制优化空间与通道表征]]></title><link>https://blog.csdn.net/yolochangeworld/article/details/167918334</link><guid>https://blog.csdn.net/yolochangeworld/article/details/167918334</guid><author>yolochangeworld</author><pubDate>Wed, 14 Oct 2026 17:26:17 +0800</pubDate><description><![CDATA[本文介绍了自调制特征聚合模块（SMFA）和部分卷积前馈网络（PCFN）组成的特征调制块（FMB）在YOLO26中的结合应用。FMB能整合局部与非局部特征，具有高效信息流动、多层次特征提取等优势。本文将FMB集成到YOLO26的C3k2模块，在`tasks.py`中注册，并在Neck的第13、16、19、22层使用C3k2_FMB，Backbone保留原有C3k2。SMFANet原论文的实验面向图像超分辨率；移植到YOLO26后的检测精度需要在目标数据集上训练评估。当前已完成模型构建与前向验证。 ]]></description><category></category></item><item><title><![CDATA[YOLO26改进 - 特征融合 | HS-FPN高效特征金字塔网络，通过选择性特征交互实现参数优化与性能提升]]></title><link>https://blog.csdn.net/yolochangeworld/article/details/167918138</link><guid>https://blog.csdn.net/yolochangeworld/article/details/167918138</guid><author>yolochangeworld</author><pubDate>Wed, 14 Oct 2026 17:18:29 +0800</pubDate><description><![CDATA[本文介绍 MFDS-DETR 中的高层筛选特征金字塔 HS-FPN 在 YOLO26 中的接入方法。HS-FPN 利用高层语义特征生成通道权重，对低层特征进行选择，再通过逐点相加完成跨尺度融合。本文保留 YOLO26 主干及检测头，在 Neck 中构建 P5 → P4 → P3 的选择性特征交互，提供与当前项目一致的模块实现、注册步骤、YAML 和训练脚本。具体精度与速度变化需要通过目标数据集上的完整训练及基线对比评估。]]></description><category></category></item><item><title><![CDATA[YOLO26改进 - 特征融合 | GIRAFFEDET之GFPN ：广义特征金字塔网络，高效地融合多尺度特征]]></title><link>https://blog.csdn.net/yolochangeworld/article/details/167917805</link><guid>https://blog.csdn.net/yolochangeworld/article/details/167917805</guid><author>yolochangeworld</author><pubDate>Wed, 14 Oct 2026 17:03:56 +0800</pubDate><description><![CDATA[本文介绍了创新的对象检测框架GiraffeDet在YOLO26中的结合应用。GiraffeDet旨在通过轻量级骨干网络和深度、庞大的颈部模块实现高效的多尺度信息交换，其核心包括轻量级的空间到深度链（S2D-chain）和广义特征金字塔网络（GFPN）。其中，S2D-chain减少计算成本和域迁移问题，GFPN提供跨层次和跨尺度的特征融合。我们将GFPN集成进YOLO26，替代原有的特征融合模块，实现更高效的信息交换。本次接入保留 YOLO26 主干，在 Neck 中引入 GFPN 特征融合阶段；检测精度和速]]></description><category></category></item><item><title><![CDATA[YOLO26改进 - 特征融合 | AFPN渐进特征金字塔网络 实现高效多尺度特征融合与检测精度突破]]></title><link>https://blog.csdn.net/yolochangeworld/article/details/167917456</link><guid>https://blog.csdn.net/yolochangeworld/article/details/167917456</guid><author>yolochangeworld</author><pubDate>Wed, 14 Oct 2026 16:48:18 +0800</pubDate><description><![CDATA[本文介绍了渐进特征金字塔网络（AFPN）及其在YOLO26中的结合应用。AFPN用于目标检测任务中的多尺度特征提取，解决了传统特征金字塔网络信息丢失和融合效果不佳的问题。其创新点在于跨非相邻层的直接特征融合、自适应空间融合操作，具备高效计算性能与广泛适用性。AFPN通过渐进式融合策略和自适应操作，避免语义差距和信息冲突。我们将AFPN集成进YOLO26，替换部分模块。本文完成 AFPN 在 YOLO26 中的工程接入，具体检测精度与速度需通过目标数据集上的完整训练和消融实验评估。 ]]></description><category></category></item><item><title><![CDATA[YOLO26改进 - 特征融合 | SSFF+TPE+CPAM 协同,ASF-YOLO 三重模块破解密集小目标分割难题]]></title><link>https://blog.csdn.net/yolochangeworld/article/details/167917297</link><guid>https://blog.csdn.net/yolochangeworld/article/details/167917297</guid><author>yolochangeworld</author><pubDate>Wed, 14 Oct 2026 16:45:01 +0800</pubDate><description><![CDATA[本文介绍了基于注意力尺度序列融合的ASF - YOLO模型在YOLO26中的结合应用。ASF - YOLO旨在实现准确快速的细胞实例分割，结合空间和尺度特征，引入SSFF模块增强多尺度信息提取能力，TFE模块融合不同尺度特征图，CPAM整合前两者以关注信息丰富通道和小物体。我们将ASF - YOLO相关模块集成进YOLO26，替代原有的部分特征融合模块，实现更高效的特征提取与融合。实验证明，YOLO26 - ASFYOLO在细胞实例分割任务中表现出色，展现了该模型在深度学习中的广泛应用前景。 ]]></description><category></category></item><item><title><![CDATA[YOLO26改进 - 特征融合 | 引入聚集-分发机制：Gather-and-Distribute 优化特征金字塔信息流与多尺度特征融合效率]]></title><link>https://blog.csdn.net/yolochangeworld/article/details/167917121</link><guid>https://blog.csdn.net/yolochangeworld/article/details/167917121</guid><author>yolochangeworld</author><pubDate>Wed, 14 Oct 2026 16:32:31 +0800</pubDate><description><![CDATA[本文介绍了先进的收集与分发机制（GD）及其在YOLO26中的结合应用。GD机制通过卷积和自注意力操作实现，基于此设计的Gold - YOLO模型增强了多尺度特征融合能力，实现了延迟与精度的平衡。此外，首次在YOLO系列中引入MAE风格的预训练。我们将Gold - YOLO相关模块集成进YOLO26，替换部分模块。具体精度和速度表现需在目标数据集上进行完整训练及对比实验。 ]]></description><category></category></item><item><title><![CDATA[YOLO26改进 - 特征融合 | LCA光照交叉注意力：跨尺度交叉引导与强度增强协同建模，强化多尺度特征交互 | CVPR2025]]></title><link>https://blog.csdn.net/yolochangeworld/article/details/167899666</link><guid>https://blog.csdn.net/yolochangeworld/article/details/167899666</guid><author>yolochangeworld</author><pubDate>Wed, 14 Oct 2026 11:17:45 +0800</pubDate><description><![CDATA[本文介绍了光照交叉注意力（Lighten Cross-Attention，LCA）模块在YOLO26中的结合应用。LCA源自HVI-CIDNet的I_LCA分支，由跨注意力块CAB与强度增强层IEL组成，通过一路特征生成查询、另一路特征提供键和值，再利用强度增强结构细化融合响应。我们将I_LCA重命名为LCA，适配为接收YOLO26检测头两路特征的融合模块，并在检测头中替换四处Concat，构建自顶向下与自底向上的跨尺度交互，用于增强不同尺度目标特征之间的信息传递。]]></description><category></category></item><item><title><![CDATA[YOLO26改进 - 特征融合 | HFFE分层特征融合编码器：空间与坐标注意力引导跨层双向交互，增强红外小目标多尺度表达 | TGRS2025]]></title><link>https://blog.csdn.net/yolochangeworld/article/details/167899409</link><guid>https://blog.csdn.net/yolochangeworld/article/details/167899409</guid><author>yolochangeworld</author><pubDate>Wed, 14 Oct 2026 11:14:59 +0800</pubDate><description><![CDATA[本文介绍了HFFE（Hierarchical Feature Fusion Encoder，分层特征融合编码器）模块在YOLO26中的结合应用。HFFE通过空间注意力、跨层空间权重映射和坐标注意力协同建模高层语义与低层细节，引导相邻尺度特征进行交叉校准，增强复杂背景中红外小目标的多尺度表达能力。我们将HFFE集成到YOLO26检测头的P3、P4和P5双向特征融合路径中，替换原有的上采样/下采样与Concat组合，并进行相应的模块注册和模型配置，用于缩小跨尺度语义差异、抑制背景干扰并保留弱小目标细节。]]></description><category></category></item><item><title><![CDATA[YOLO26改进 - 特征融合 | MSAA多尺度注意力聚合模块， 多尺度卷积融合与双通道注意力机制]]></title><link>https://blog.csdn.net/yolochangeworld/article/details/167899041</link><guid>https://blog.csdn.net/yolochangeworld/article/details/167899041</guid><author>yolochangeworld</author><pubDate>Wed, 14 Oct 2026 11:10:36 +0800</pubDate><description><![CDATA[本文介绍了将多尺度注意力聚合（MSAA）模块与YOLO26结合的方法。MSAA是CM - UNet中用于优化编码器特征、强化跳跃连接的核心模块，能解决遥感图像物体尺度差异大、多尺度特征融合弱的问题。它采用空间与通道双分支并行处理，先对输入的相邻三层特征进行拼接，再分别进行空间与通道注意力处理，最后融合输出精炼后的特征。我们将MSAA集成进YOLO26，在模型的检测头部分使用该模块。实验证明，结合MSAA的YOLO26可有效捕获多尺度全局上下文信息，在物体检测任务中表现良好。 ]]></description><category></category></item><item><title><![CDATA[YOLO26 改进 - 注意力机制 | DSSA双稀疏自注意力，降低计算量，并精准聚焦高信息量特征交互]]></title><link>https://blog.csdn.net/yolochangeworld/article/details/167898246</link><guid>https://blog.csdn.net/yolochangeworld/article/details/167898246</guid><author>yolochangeworld</author><pubDate>Wed, 14 Oct 2026 11:01:45 +0800</pubDate><description><![CDATA[本文介绍了双稀疏自注意力（DSSA），一种通过空间与通道双重稀疏约束优化自注意力计算的高效模块。该方法利用局部窗口与稀疏锚点进行空间筛选，并结合动态通道门控，在大幅降低计算复杂度的同时精准聚焦关键特征。我们将 DSSA 成功集成进 YOLO26，在检测头部分对 P3、P4、P5 尺度的特征进行双稀疏增强。实验证明，集成 DSSA 的 YOLO26 在检测任务中表现优异，有效提升了模型的特征提取能力与计算效率。]]></description><category></category></item><item><title><![CDATA[YOLO26 改进 - 注意力机制 | ShuffleAttn序列洗牌注意力，解决多向序列建模中的通道异构与信息不对齐问题]]></title><link>https://blog.csdn.net/yolochangeworld/article/details/167897352</link><guid>https://blog.csdn.net/yolochangeworld/article/details/167897352</guid><author>yolochangeworld</author><pubDate>Wed, 14 Oct 2026 10:53:42 +0800</pubDate><description><![CDATA[本文介绍了将序列洗牌注意力（SSA）模块与YOLO26结合的方法。SSA是面向多向扫描Mamba架构的通道级融合注意力机制，用于解决多向序列建模中的通道异构与信息不对齐问题。它先将不同扫描方向的特征序列在通道维度拼接，进行通道洗牌实现跨方向对齐，再采用压缩 - 激励范式生成自适应权重进行通道加权，最后恢复原始通道布局输出。该机制计算轻量、结构适配、即插即用。我们将SSA的实现模块ShuffleAttn集成进YOLO26，在检测头部分使用。实验证明，结合SSA的YOLO26在图像检测任务中表现良好。]]></description><category></category></item><item><title><![CDATA[YOLO26改进 - 注意力机制 | MFCA频率通道注意力(Multi-Frequency Channel Attention)：解决小目标特征信息少、易被噪声干扰的问题]]></title><link>https://blog.csdn.net/yolochangeworld/article/details/167896064</link><guid>https://blog.csdn.net/yolochangeworld/article/details/167896064</guid><author>yolochangeworld</author><pubDate>Wed, 14 Oct 2026 10:42:08 +0800</pubDate><description><![CDATA[本文介绍了将多频率通道注意力（MFCA）与YOLO26结合的方法。MFCA是专为医学图像分割设计的频率域通道注意力机制，基于二维离散余弦变换（2D DCT）提取医学图像的频率统计特征，通过对不同频率通道的特征重标定，抑制噪声通道干扰、强化有效频率特征表达。该机制具有模态鲁棒性、噪声抑制能力、轻量级设计等特性，与多尺度空间注意力（MSSA）强互补。我们将MFCA集成进YOLO26，在检测头部分嵌入该模块。实验证明，结合MFCA的YOLO26在实验中表现出色，提升了模型的特征提取能力和分割性能。]]></description><category></category></item><item><title><![CDATA[YOLO26改进-Neck | LPRMAlignUpModule：局部像素关系建模对齐上采样，缓解跨尺度融合中的细节损失 | TPAMI2025]]></title><link>https://blog.csdn.net/yolochangeworld/article/details/167813931</link><guid>https://blog.csdn.net/yolochangeworld/article/details/167813931</guid><author>yolochangeworld</author><pubDate>Tue, 13 Oct 2026 23:01:55 +0800</pubDate><description><![CDATA[本文介绍了局部像素关系对齐上采样模块（LPRMAlignUpModule）在YOLO26中的结合应用。该模块通过压缩特征预测局部像素关系，并利用不同膨胀率的动态关系对跨尺度特征进行对齐与细化，增强上采样过程中的局部结构表达能力。我们将LPRMAlignUpModule集成到YOLO26的Neck多尺度特征融合路径中，以替换对应的Concat融合位置，并进行相关注册和配置，用于改善上采样特征与侧向特征之间的空间对齐和细节融合。]]></description><category></category></item><item><title><![CDATA[YOLO26改进-Neck | CAFM交叉注意力融合模块，融合双分支特征、强化通道与空间互补信息，助力高光谱SCI重建精细恢复 | TIP 2025]]></title><link>https://blog.csdn.net/yolochangeworld/article/details/167813920</link><guid>https://blog.csdn.net/yolochangeworld/article/details/167813920</guid><author>yolochangeworld</author><pubDate>Tue, 13 Oct 2026 23:00:17 +0800</pubDate><description><![CDATA[本文介绍了交叉注意力融合模块（CAFM），作为传统特征拼接操作的有效替代方案。该方法通过通道交叉注意力与空间注意力两级建模，显式刻画双路特征间的通道相关性，并动态调制空间重要区域，从而在融合前完成特征的互相选择与校正。我们将 CAFM 成功集成进 YOLO26 的 Neck 结构中，替代原有的 Concat 拼接模块，实现更精细的多尺度特征融合与表达增强。]]></description><category></category></item><item><title><![CDATA[YOLO26改进-Neck | FAAFusion傅里叶角度对齐融合模块，校准跨层方向语义、缓解特征融合错位，助力遥感旋转目标检测高精度涨点 | CVPR 2026]]></title><link>https://blog.csdn.net/yolochangeworld/article/details/167813904</link><guid>https://blog.csdn.net/yolochangeworld/article/details/167813904</guid><author>yolochangeworld</author><pubDate>Tue, 13 Oct 2026 22:58:39 +0800</pubDate><description><![CDATA[本文介绍了一种特征自适应注意力融合模块 FAAFusion，用于提升检测网络中多尺度特征的交互与融合能力。该方法通过注意力机制对不同层级特征的重要性进行建模，自适应分配融合权重，强化目标区域、边缘纹理和语义信息表达，同时抑制冗余背景与无效特征干扰。我们将 FAAFusion 成功集成进 YOLO26 的特征融合阶段，替代原有的简单拼接融合方式，实现更充分的跨层信息交互与更鲁棒的目标检测表征。]]></description><category></category></item><item><title><![CDATA[YOLO26改进-Neck | HAFFormer双向模态引导交叉注意力融合模块，互补挖掘VIS/IR信息、自适应门控融合，助力可见光-红外目标检测轻量涨点 | Pattern Recognition]]></title><link>https://blog.csdn.net/yolochangeworld/article/details/167813892</link><guid>https://blog.csdn.net/yolochangeworld/article/details/167813892</guid><author>yolochangeworld</author><pubDate>Tue, 13 Oct 2026 22:56:44 +0800</pubDate><description><![CDATA[本文介绍了面向可见光-红外目标检测的轻量级跨模态融合模块 HAFFormer，源于 LCAFNet 中的双向模态引导交叉注意力与门控融合思想。该模块分别利用可见光和红外特征生成交叉注意力增强表示，在保留原始模态信息的同时充分挖掘纹理细节、热目标响应与边缘结构等互补信息，并通过门控权重自适应分配两种模态贡献。我们将 HAFFormer 成功集成进 YOLO26 的 Neck 特征融合阶段，替代原有拼接融合模块，实现更鲁棒、更轻量的多模态特征交互与检测表达。]]></description><category></category></item><item><title><![CDATA[YOLO26改进-Neck | MAF模态感知融合模块，分模态强化热目标与纹理细节、统一红外可见光特征表征，助力图像融合兼顾视觉质量与语义一致性 | TCSVT 2026]]></title><link>https://blog.csdn.net/yolochangeworld/article/details/167813865</link><guid>https://blog.csdn.net/yolochangeworld/article/details/167813865</guid><author>yolochangeworld</author><pubDate>Tue, 13 Oct 2026 22:54:16 +0800</pubDate><description><![CDATA[本文介绍了面向红外-可见光图像融合的模态感知融合模块 MAFusion，旨在解决跨模态信息交互不足与特征粗暴混合问题。该模块针对红外与可见光特征分别设计通道注意力和空间注意力，利用红外热目标显著性、可见光纹理细节及边缘先验进行差异化增强，再通过像素级注意力自适应融合两类互补信息。我们将 MAFusion 成功集成进 YOLO26，替代原有特征拼接模块，使网络在多尺度特征融合过程中更充分地保留目标显著信息与场景细节，提升检测表达能力。]]></description><category></category></item><item><title><![CDATA[YOLO26改进 - C2PSA | C2PSA融合DWM-MSA双窗口多尺度自注意力：双尺度窗口协同建模局部信息与长程依赖 | TIP2025]]></title><link>https://blog.csdn.net/yolochangeworld/article/details/167813817</link><guid>https://blog.csdn.net/yolochangeworld/article/details/167813817</guid><author>yolochangeworld</author><pubDate>Tue, 13 Oct 2026 22:48:19 +0800</pubDate><description><![CDATA[本文介绍了双窗口多尺度多头自注意力（DWM-MSA）模块在YOLO26中的结合应用。DWM-MSA将查询、键和值特征划分为四组，在8×8和16×16两种窗口尺度上分别执行局部与非局部注意力，以协同建模局部细节、多尺度上下文和长程依赖。我们将DWM-MSA集成到YOLO26的C2PSA中，用它替换PSABlock原有的注意力算子，并通过BCHW与BHWC布局转换、窗口整除填充及输出裁剪完成适配，用于增强深层语义特征的多尺度关系表达能力。]]></description><category></category></item><item><title><![CDATA[YOLO26改进 - C3k2 | C3k2融合GCNet之金箍棒块GCBlock 重参数化捕获全局依赖]]></title><link>https://blog.csdn.net/yolochangeworld/article/details/167813791</link><guid>https://blog.csdn.net/yolochangeworld/article/details/167813791</guid><author>yolochangeworld</author><pubDate>Tue, 13 Oct 2026 22:44:27 +0800</pubDate><description><![CDATA[本文介绍了金箍棒网络GCNet的核心组件GCBlock在YOLO26中的结合应用。GCBlock采用重参数化技术，训练时通过纵向多卷积与横向多路径结构扩张增强学习能力，推理时收缩为单一3×3卷积提升运行速度。其设计解决了实时语义分割中性能与速度难以平衡的问题，具有训练与推理解耦、无性能损失、灵活性强和兼容性好等特性。我们将GCBlock集成到YOLO26的C3k2模块中，实现了更高效的特征提取。实验证明，YOLO26 - C3k2_GCBlock在相关数据集上取得了良好效果。 ]]></description><category></category></item><item><title><![CDATA[YOLO26改进 - C3k2 | C3k2模块融合高效融合注意力EFA（Efficient Fusion Attention）提升图像分割中对多尺度目标的捕获精度]]></title><link>https://blog.csdn.net/yolochangeworld/article/details/167813731</link><guid>https://blog.csdn.net/yolochangeworld/article/details/167813731</guid><author>yolochangeworld</author><pubDate>Tue, 13 Oct 2026 22:36:49 +0800</pubDate><description><![CDATA[本文介绍了高效融合注意力（EFAttention）机制在YOLO26中的结合应用。EFAttention由通道注意力和空间注意力组成，前者通过全局平均池化、1D卷积等增强通道特征表示，后者通过1x1卷积突出重要空间区域，最后将二者结果融合。我们将EFAttention核心代码集成到YOLO26的C3k2模块中，并在`tasks.py`里注册，配置了相应的yaml文件。实验表明，改进后的模型在医学图像分割任务中，能减少冗余信息，提升特征提取能力，且适用于资源受限环境。 ]]></description><category></category></item></channel></rss>