投稿

加权卷积算子WConv 通过密度函数对卷积核位置加权，提升特征提取的空间敏感性

839

0

2025-06-10 10:11:39

未经作者授权，禁止转载

如有疑问或建议，欢迎留言交流。如果视频对您有帮助，请点赞、投币、收藏，感谢您的支持！博客：https://blog.csdn.net/qq_64693987?type=blog

宝藏知识UP跃迁计划

可论文写作

一勺AI帅汤发消息

https://github.com/tgf123/YOLOv8_improve

加权卷积算子WConv 通过密度函数对卷积核位置加权，提升特征提取的空间敏感性

06:57

使用Mambaout替换YOLO backbone 整合全局信息，提升遮挡目标检测中定位能力，以及小目标、多尺度

06:08

融入傅里叶调制注意力（FMA），以线性复杂度实现类似MHSA的全局感知能力，提升目标检测中对大范围上下文的捕捉。

09:59

Mona替换YOLO backbone，捉目标边缘等细粒度特征，通过扩大卷积核感受野整合全局语义信息。

04:38

FEFM 频率融合：借 NIR 跨域相关性让图像去噪更精细

10:14

Di-SpAM（Dilated-Spatial Attention Module），空间注意力与特征自适应增强，降噪，去模糊

09:23

多尺度稀疏交叉注意力机制（MSC），提高多尺度特征的提取能力，同时通过稀疏注意力抑制噪声的干扰

08:07

PFAE（金字塔频率注意力提取模块）抑制复杂背景干扰，提升小目标、边界模糊目标的检测精度

06:41

CCViM：Context Clustering Vision Mamba上下文聚类视觉曼巴模型，自适应聚合不同尺度的目标特征（如小目标的细节与大目标的全局上下

03:54

DiffCLIP ，借助差分注意力机制强化语义特征的捕捉，抑制复杂背景噪声

06:57

TeLU激活函数，平滑梯度缓解深层网络梯度消失，提升小目标与复杂背景下的检测精度。

04:34

DiffCLIP ，借助差分注意力机制强化语义特征的捕捉，抑制复杂背景噪声

08:22

多尺度频率辅助类 Mamba 线性注意力模块（MFM），使用类mamba模块，融合频域和空域特征，提升多尺度、复杂场景下的目标检测能力

08:40

基于卷积模拟自注意力ESC，以卷积模拟自注意力，增强对小目标、密集目标的特征表征能力

09:38

高频感知模块High Frequency Perception（HFP），提高微小目标检测任务中的精度

11:17

信息整合注意力IIA,通过双方向注意力机制重构空间位置信息，动态增强目标关键特征并抑制噪声

06:47

频率动态卷积FDConv，通过频率域优化，抑制噪声，提升小目标密集目标的检测能力

07:56

即插即用线性注意力PnP-Nystra，增强 YOLO 对小目标、密集目标的区分度，提升检测精度与鲁棒性。

06:20

YOLO11|YOLO12|改进|低分辨率自注意力机制LRSA ，兼顾全局上下文建模与局部细节捕捉，提高小目标、模糊目标检测能力

10:26

跨范式交互与对齐自注意力CPIA-SA，通过整合空间 - 通道和全局 - 局部两种范式的特征，实现跨范式的动态对齐与深度交互，提升特征表示质量。

09:23

YOLO11|YOLO12|改进|双重稀疏选择注意力DSSA,通过区域和像素两级稀疏筛选，精准提取与目标最相关的特征

05:48

YOLO11|YOLO12|改进| 多尺度线性注意力MSLA ，通过融合多尺度局部特征与线性自注意力机制，提高小目标、多尺度目标的检测分割能力

04:15

YOLO11|YOLO12|改进| StripNet 骨干网络基本块通过方形卷积与正交条形卷积的顺序结合，高效提取不同纵横比物体的特征。

04:51

YOLO11|YOLO12|改进| 层次化双路径注意力机制HDPA,通过融合全局与局部特征的注意力权重，精准捕捉不同尺度的关键信息

04:59

YOLO11|YOLO12|改进| 多分支重参数化卷积MBRConv，通过训练时多分支协同捕捉多尺度特征、推理时重参数化为单分支的策略，在轻量化模型中实现多尺度

04:42

YOLO11|YOLO12|改进| 幅度感知线性注意力MALA, 提高遮挡、小目标检测能力

05:14

YOLO11|YOLO12|改进| 深度反向卷积Converse2D，通过非迭代的正则化优化实现特征精确恢复，增强特征上采样，减少特征丢失

05:48

YOLO11|YOLO12|改进| 通道自注意力卷积块CSA-ConvBlock，通过动态建模特征图通道间的依赖关系，优化通道权重分配，在强化有效特征、抑制冗余

05:57

YOLO11|YOLO12|改进| U形视觉曼巴块UVM-Net Block，通过结合卷积神经网络(CNN)的局部模式识别能力和状态空间序列模型(SSM)的全局

06:25

YOLO11|YOLO12|改进| 傅里叶残差通道注意力块(FRCAB)，通过频域分析和通道注意力机制，提升小目标检测能力

05:30

YOLO11|YOLO12|改进| 交叉形窗口自注意力Cross-Shaped Window Self-Attention 提升对多尺度目标和复杂结构的特征表示

06:12

YOLO11|YOLO12|改进| RFA（Receptive Field Aggregator）通过分层聚合多尺度感受野,提高多尺度目标检测能力

06:19

YOLO11|YOLO12|改进| 分组残差自注意力GRSA，通过分组残差和指数位置偏置设计，以更低计算成本实现更优的特征表示能力，提高密集目标检测能力

07:38

YOLO11|YOLO12|改进| 双坐标注意力特征提取模块DCAFE,通过并行平均 - 最大池化与坐标注意力编码，高效捕捉特征图的长程依赖、位置信息

07:47

YOLO11|YOLO12|改进| 多极注意力神经算子MANO 通过多尺度分层注意力机制，以线性复杂度实现全局感知与局部细节的高效融合

07:18

YOLO11|YOLO12|改进| 跨视图交互模块CVIM，解决跨视图信息交互效率低、参数冗余问题，减少小目标与遮挡目标的漏检率

05:04

YOLO11|YOLO12|改进| 防御性细化模块DRM,解决CNN在提取特征过程中存在的特征丢失的问题和背景、噪声干扰的问题

05:00

YOLO11|YOLO12|改进| 掩码注意力Mask Attention，选择性强化图像关键区域特征、抑制无关背景信息，提高遮挡、小目标的检测能力

05:13

YOLO11|YOLO12|改进| 跨通道状态空间交互模块CSI，以线性复杂度实现全局上下文依赖与跨通道特征融合，提升对复杂场景下小目标、遮挡目标的检测能力

06:29

YOLO11|YOLO12|改进| 细节保留上下文融合模块DPCF，通过动态门控保留小目标、遮挡目标的细节，显著提升这类难点目标的检测精度。

06:39

YOLO11|YOLO12|改进| 双聚合注意力融合模块DAAFM，通过整合模态内自注意力与模态间交叉注意力，提升对小目标、复杂背景下目标的检测能力。

07:32

YOLO11|YOLO12|改进| 四边形注意力机制quadrangle attention，打破固定窗口的局限，精准捕捉异形、多尺度目标特征，提升精度。

03:01

YOLO11|YOLO12|改进| 通道与空间注意力模块CASAB ,通过双维度注意力机制自适应强化关键特征、抑制冗余信息，提升模型对重要特征的捕捉与利用能力

05:45

YOLO11|YOLO12|改进| 空间与通道协同注意力模块SCSA，通过空间与通道维度的深度协同，破解传统注意力机制的语义利用不足与差异处理难题

08:01

YOLO11|YOLO12|改进| 残差通道-空间注意力块RCSAB，通过残差连接，结合通道与空间双重注意力机，强化目标相关特征、抑制背景干扰，提升检测能力

05:13

YOLO11|YOLO12|改进| 多尺度自适应空间注意力门控MASAG,动态调整感受野范围、优化多尺度特征融合方式与空间注意力分配

09:11

YOLO11|YOLO12|改进| 局部重要性注意力LIA，以线性计算复杂度实现高阶特征交互，动态强化局部关键特征、抑制冗余信息

05:53

YOLO11|YOLO12|改进| 参数化小波下采样模块PWD,通过空间 - 频率双分支协同与自适应融合，在降低特征维度的同时保留目标的关键空间细节与频率信息

05:41

YOLO11|YOLO12|改进| 层级特征融合编码器HFFE,通过跨层级特征的对齐、注意力提纯与自适应交互，生成兼具细粒度细节与强语义信息的融合特征

08:23

YOLO11|YOLO12|改进| 计算COCO指标，叫你如何在论文中体现大、中、小目标的检测精度

04:32

YOLO11|YOLO12|YOLO26|改进| 频率增强块FEB,通过频率域分解、针对性增强与逆转换，强化模型对图像高频细节与低频结构的双重感知能力

04:39

YOLO11|YOLO12|YOLO26|改进| 双分支语义感知模块DSPM，通过双分支多尺度特征提取与双注意力特征增强，实现目标特征的精准提取、噪声抑制

06:50

YOLO11|YOLO12|YOLO26|改进| 四维注意力机制Attention4D，空间、通道、尺度、上下文四维注意力的协同建模

05:46

YOLO11|YOLO12|YOLO26|改进| 多尺度曼巴块MMB，通过多尺度特征的并行提取，为模型提供更全面的空间维度特征表征

04:50

YOLO11|YOLO12|YOLO26|改进| 多尺度曼巴块MMB，通过多尺度特征的并行提取，为模型提供更全面的空间维度特征表征

05:52

YOLO11|YOLO12|YOLO26|改进| 全局-局部语义增强模块GLSS，过协同提取8D-SSM全局语义与局部细节特征

04:13

YOLO11|YOLO12|YOLO26|改进| 分层多尺度卷积块HMCB，通过分层级的多尺度卷积操作，强化其对不同尺寸目标的特征捕捉能力

04:49

YOLO11|YOLO12|YOLO26|改进| 双池化注意力机制DPA,动态调整特征通道的权重，对有用特征的强化与冗余信息的抑制

03:25

YOLO11|YOLO12|YOLO26|改进| 部分注意力卷积PAT,部分通道分割与并行算子分配，高效融合卷积特征，提升对小目标、密集目标的检测能力

08:01

YOLO11|YOLO12|YOLO26|改进| 自适应压缩-扩张模块ACE,实现中浅层特征与深层特征的空间尺度和通道维度的自适应精准匹配

08:35

YOLO11|YOLO12|YOLO26|改进| 空间注意力与密集多尺度特征融合模块CSDF，减少背景干扰导致的误检和强化小目标特征

04:39

YOLO11|YOLO12|YOLO26|改进| 空间 - 通道特征调制器SCFM，通过空间与通道双分支注意力协同调节，融合全局与局部特征，弥补丢失细节

05:35

YOLO11|YOLO12|YOLO26|改进| 曲率引导令牌注意力CGTA，以曲率为核心几何先验，主导特征令牌筛选与注意力聚合

09:45

YOLO11|YOLO12|YOLO26|改进| 方向引导边缘门控卷积DEGConv，通过方向先验嵌入、空间分块与边缘门控机制

05:24

YOLO11|YOLO12|YOLO26|改进| 傅里叶角度对齐融合模块FFAFusion，利用傅里叶频域分析对齐检测器颈部跨尺度特征方向，优化跨尺度特征融合

04:43

YOLO11|YOLO12|YOLO26|改进| 低频引导特征纯化模块LFP，以低频全局特征为引导，对高频特征进行自适应滤波纯化，抑制噪声与背景干扰

06:06

YOLO11|YOLO12|YOLO26|改进| 多阶段挤压 - 激励融合模块MSEF，通过双分支协同捕捉局部空间细节与全局通道语义，以轻量自适应方式校准并融合

03:58

YOLO11/12/26/DEIM/RTDETR：选择性频率残差门控SFRG(自研独家)，通过“低频看全局、高频看细节”的互补共振，提小目标、遮挡精度

07:14

YOLO11/12/26/DEIM/RTDETR：双径共鸣特征锻造模块SpectraForge(自研独家)，通过双径共鸣从通道与空间双维度交互融合，筛选关键特征

08:28

YOLO11/12/26/DEIM/RTDETR:CKConv 中国结卷积模块，过滤均背景噪声，突出细微划痕类中频缺陷特征，提高细长目标检测精度

05:17

YOLO11/12/26/DEIM/RTDTER:APSC 自适应多谱卷积模块（自研独家）增强八个方向结构特征与局部空间特征在，对细长形、倾斜形等不规则目标精度

07:36

YOLO11/12/26/DEIM/RTDETR：WaveFormer依靠频域波动建模实现高效全局交互，兼顾全局语义与局部纹理信息。

06:16

YOLO11/12/26/DEIM/RTDETR：双融合混合像素注意力模块BFHPA（自研），双注意力自适应加权，残差上采样重建精细特征

05:57

YOLO11/12/26/DEIM/RTDETR：双融合混合像素注意力模块BFHPA（自研），双注意力自适应加权，残差上采样重建精细特征

05:02

YOLO11/12/26/DEIM/RTDETR：跨光谱注意力特征细化模块CAFR，抑制背景噪声、强化前后背景区分度

04:32

顶部