YOLO11改进大全:卷积层、轻量化、注意力机制、损失函数、Backbone、SPPF、Neck、检测头全方位优化汇总

最新YOLOv11改进专栏
专栏收录该内容
¥39.90
¥99.00
259 篇文章

必读指南 📖 | YOLO11改进专栏简介

📌 1. 模型改进无思路?200+实战方法直接落地

针对YOLO模型改进痛点,本专栏整理200+实战验证方法,覆盖卷积层、注意力机制等核心模块。 每种方法含原理、性能分析、改进路径及实操流程,代码可直接运行,快速提升模型效果,性价比超高。


🚀 2. 优质模块难匹配?顶会算法 + YOLO11专属适配

改进方法源自CVPR等顶会前沿算法,结合YOLO11二次创新。 模块高创新、高适配,可直接用于检测、分割等多视觉任务,满足科研与项目双重需求。


🔗 3. 全版本兼容?一次学习多端复用

方案完美适配YOLO11全任务,因架构同源,可无缝迁移至 YOLOv8/v10/v12/v13。 一次学习多版通用,大幅降低学习与时间成本。


💎 4. 持续更新保障?早订早享终身权益

专栏每周更新 3-5 篇实战案例,97 分全网领跑。 紧跟 2025 最新动态,内容增值即涨价,早订更划算。 一次订阅终身可用,私信留言需求可优先更新。

YOLO11的模型结构

需要可编辑的原型图,请私信联系!

在这里插入图片描述

YOLO11改进目录一览(持续更新中ing📃)

💡 购买专栏后,即可私信我,获取完整程序文件以及一键运行的环境 🛠️ 所有代码支持直接集成到你的项目中运行与训练,无需繁琐配置。 支持按需自由组合模块,快速构建适配你数据集的改进方案,实现实战有效涨点。

请先注册以下网站,然后按照截图将ID通过CSDN私信发送给我: https://www.autodl.com/

image-20260817230117378

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传在这里插入图片描述

专栏购买链接 : YOLO11改进专栏

✨基础知识 ✨

  1. YOLO11实战指南:Windows+CUDA环境配置 + 自定义数据集训练 + 以EMA演示如何创新改进YOLO11
  2. YOLO11 改进 - 基础知识 | YOLO11 Conv模块超详细解析:从源码实现到BN/SiLU原理(初学者友好版)
  3. YOLO11 改进 - 基础知识 | YOLO11核心模块解析:C3k2的工作原理与代码实现详解(初学者指南)
  4. YOLO11 改进 - 基础知识 | C2PSA模块详解:从结构原理、源码实现到模型配置
  5. YOLO11 改进 - 基础知识 | 为什么SPPF比SPP更快?深入解析YOLO中多尺度特征提取的效率优化与代码实现

🚁注意力机制 🚁

  1. YOLO11 改进 - 注意力机制 | 空间增强注意力SEAM(Spatially Enhanced Attention Module)提升遮挡场景检测鲁棒性
  2. YOLO11 改进 - 注意力机制 | HaloNet 局部自注意力 (Local Self-Attention) 以分块交互策略实现高效全局上下文建模
  3. YOLO11 改进 - 注意力机制 | 轴向注意力Axial Attention(Axial Attention)优化高分辨率特征提取
  4. YOLO11 改进 - 注意力机制 | SCSA注意力通过双重注意力机制增强局部-全局特征交互
  5. YOLO11 改进 - 注意力机制 | 二阶通道注意力SOCA 通过协方差建模与自适应重缩放实现判别性特征增强
  6. YOLO11 改进 - 注意力机制 | CGAFusion (Content-Guided Attention Fusion) 抑制噪声提升跨模态检测精度与鲁棒性
  7. YOLO11 改进 - 注意力机制 |融合HCF-Net维度感知选择性整合模块DASI 增强小目标显著性
  8. YOLO11 改进 - 注意力机制 | 多扩张通道细化器MDCR 通过通道划分与异构扩张卷积提升小目标定位能力
  9. YOLO11 改进 - 注意力机制 | GCT(Gaussian Context Transformer):高斯上下文变换器,轻量化的通道特征增强
  10. YOLO11 改进 - 注意力机制 | 双层路由注意力BRA(Bi-Level Routing Attention)增强小目标特征捕获
  11. YOLO11 改进 - 注意力机制 | Deformable-LKA 可变形大核注意力:自适应采样网格优化特征捕捉,提升不规则目标感知
  12. YOLO11 改进 - 注意力机制 | STA超级令牌注意力机制:超级令牌采样实现高效全局依赖捕获,优化多尺度感知
  13. YOLO11 改进 - 注意力机制 | ELA(Efficient Local Attention)高效局部注意力:突破降维限制精准定位,增强小目标感知
  14. YOLO11 改进 - 注意力机制 | HAT混合注意力变换器:超分重建能力迁移,提升小目标特征清晰度与检测精度
  15. YOLO11 改进 - 注意力机制 | Dual-ViT 双视觉变换器:双路径建模协同全局语义与局部特征,增强多尺度感知
  16. YOLO11 改进 - 注意力机制 | GC Block(GlobalContext Block)全局上下文块:三重变换捕获全局依赖,提升复杂场景鲁棒性
  17. YOLO11 改进 - 注意力机制 | ParNet并行子网络:多分支协同优化特征表达,增强模型判别能
  18. YOLO11 改进 - 注意力机制 | CBAM (Convolutional Block Attention Module) 卷积块注意力模块:轻量级设计自适应优化特征,提升小目标检测精度
  19. YOLO11 改进 - 注意力机制 | SENetV2 聚合稠密层:多分支密集层增强通道与全局表示,优化特征校准机制
  20. YOLO11 改进 - 注意力机制 | CascadedGroupAttention级联组注意力:动态感受野适配复杂场景,增强小目标特征捕获
  21. YOLO11 改进 - 注意力机制 | Focused Linear Attention 聚焦线性注意力:增强特征聚焦与多样性,优化多尺度目标检测
  22. YOLO11 改进 - 注意力机制 | CAA上下文锚点注意力:条带卷积捕捉长程依赖,优化多尺度与长形目标检测
  23. YOLO11 改进 - 注意力机制 | Gather-Excite 聚集-激发注意力:空间上下文聚合与重校准优化多尺度目标检测
  24. YOLO11 改进 - 注意力机制 | MLLAttention (Mamba-Like Linear Attention) 类Mamba线性注意力:动态感受野适配多尺度目标
  25. YOLO11 改进 - 注意力机制 | SGE(Spatial Group-wise Enhance)空间分组增强:分组注意力自主校准特征重要性,优化目标定位
  26. YOLO11 改进 - 注意力机制 | RCS-OSA减少通道的空间对象注意力:通道压缩与空间注意力协同破解特征冗余,增强多尺度感知
  27. YOLO11 改进 - 注意力机制 | Non-Local 非局部注意力:突破局部感受野限制,实现高效上下文信息整合
  28. YOLO11 改进 - 注意力机制 | Sea_Attention 挤压增强轴向注意力:全局语义与局部细节协同增强,优化多尺度目标检测
  29. YOLO11 改进 - 注意力机制 | LS-YOLO MSFE 多尺度特征提取模块:并行分支结构增强多尺度感知,优化遥感与小目标检测
  30. YOLO11 改进 - 注意力机制 | PPA(Parallelized Patch-Aware Attention)并行补丁感知注意:分层特征融合保持小目标表征
  31. YOLO11 改进 - 注意力机制 | MCA 多维协作注意力:轻量化设计破解维度割裂难题,优化多尺度目标检测
  32. YOLO11 改进 - 注意力机制 | CPCA(Channel prior convolutional attention)通道先验卷积注意力:轻量级设计破解权重分布难题,增强小目标显著性
  33. YOLO11 改进 - 注意力机制 | LSKNet大型选择性核网络:自适应核加权强化关键特征捕获,增强小目标显著性
  34. YOLO11 改进 - 注意力机制 | Polarized Self-Attention 极化自注意力:高分辨率保持机制优化细节表征,助力小目标检测
  35. YOLO11 改进 - 注意力机制 | S2Attention稀疏分片注意力:多头协同覆盖全局上下文,增强小目标与长程特征捕获
  36. YOLO11 改进 - 注意力机制 | EffectiveSE 高效挤压激励模块:单全连接层设计破解信息丢失难题,增强通道特征表征
  37. YOLO11 改进 - 注意力机制 | ContextAggregation上下文聚合模块:多尺度上下文信息融合机制,增强小目标特征判别力
  38. YOLO11 改进 - 注意力机制 | DAT (Deformable Attention) 可变形注意力:动态感知关键区域破解固定注意力模式,增强特征捕捉能力
  39. YOLO11 改进 - 注意力机制 | CoordAttention坐标注意力:嵌入位置信息破解通道注意力局限,增强目标空间感知
  40. YOLO11 改进 - 注意力机制 | MSCA 多尺度卷积注意力:多尺度卷积协同增强特征捕获,优化小目标检测精度
  41. YOLO11 改进 - 注意力机制 | ECA (Efficient Channel Attention) 高效通道注意力:轻量级设计实现跨通道交互,增强特征表征能力
  42. YOLO11 改进 - 注意力机制 | TripletAttention 三重注意力:轻量级设计破解计算瓶颈,提升小目标检测鲁棒性
  43. YOLO11 改进 - 注意力机制 | DoubleAttention 双重注意力机制:轻量级设计实现动态特征聚焦,增强小目标检测鲁棒性
  44. YOLO11 改进 - 注意力机制 | SKAttention选择性内核注意力:轻量级设计动态调整感受野,增强复杂场景鲁棒性
  45. YOLO11 改进 - 注意力机制 | NAM 基于归一化的注意力模块:轻量级设计优化通道与空间注意力,提升小目标检测
  46. YOLO11 改进 - 注意力机制 | SimAM简单无参数注意力模块:能量函数驱动三维权重优化,增强特征判别力
  47. YOLO11 改进 - 注意力机制 | MHSA (Multi-Head Self-Attention) 多头自注意力:多头并行协同捕获多样化上下文,提升特征判别力
  48. YOLO11 改进 - 注意力机制 | MLCA混合局部通道注意力:多维度特征融合破解信息局限,增强复杂场景感知能力
  49. YOLO11 改进 - 注意力机制 | GAM全局注意力机制:通道与空间注意力协同抑制背景干扰,强化目标关键特征
  50. YOLO11 改进 - 注意力机制 | CoTAttention (Contextual Transformer Attention) 上下文转换器注意力:动静态上下文融合增强特征表征,优化多尺度目标检测
  51. YOLO11 改进 - 注意力机制 | iRMB 倒置残差移动块:硬件感知优化破解计算瓶颈,提升小目标检测鲁棒性
  52. YOLO11 改进 - 注意力机制 | MSDA多尺度空洞注意力:局部稀疏交互优化特征提取,提升复杂场景鲁棒性
  53. YOLO11 改进 - 注意力机制 | EMA (Efficient Multi-Scale Attention) 高效多尺度注意力:跨空间学习与多分支协同增强特征表征,优化多尺度目标检测
  54. YOLO11 改进 - 注意力机制 | LSKA大核分离卷积注意力:轻量级设计实现动态大感受野,优化小目标检测鲁棒性
  55. YOLO11 改进 - 注意力机制 | ACmix自注意力与卷积混合模型:轻量级设计融合双机制优势,实现高效特征提取与推理加速
  56. YOLO11 改进 - 注意力机制 | CAFM (Convolutional Block Attention Module) 卷积块注意力模块:轻量级设计优化特征提取流程,提升小目标感知
  57. YOLO11 改进 - 注意力机制 | ESC (Emulating Self-attention with Convolution) 卷积模拟自注意力:增强小目标与密集场景检测
  58. YOLO11 改进 - 注意力机制 | DCAFE双坐标注意力:并行坐标注意力 + 双池化融合
  59. YOLO11 改进 - 注意力机制 MCAttn 蒙特卡洛注意力:全局上下文与局部细节协同建模,破解微小目标特征表达难题
  60. YOLO11 改进 - 注意力机制 | DiffAttention差分注意力:轻量级差分计算实现高效特征降噪,提升模型抗干扰能力
  61. YOLO11 改进 - 注意力机制 | Mask Attention掩码注意力,可学习掩码矩阵破解低分辨率特征提取难题 | 2025 预印
  62. YOLO11 改进 - 注意力机制 | IIA信息整合注意力(Information Integration Attention ):精准保留空间位置信息,平衡精度与计算成本 | TGRS2025
  63. YOLO11 改进 - 注意力机制 | LRSA局部区域自注意力( Local-Region Self-Attention): 轻量级局部上下文建模弥补长程依赖细节不足 | CVPR2025
  64. YOLO11 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
  65. YOLO11 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
  66. YOLO11 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

✅ 特征融合 ✅

  1. YOLO11 改进 - 特征融合 | 复杂目标适配:SDI优化融合,检测精度再升级
  2. YOLO11 改进 - 特征融合 | 替换 C3k2 涨点:GELAN 融合 CSP+ELAN 提精度
  3. YOLO11 改进 - 特征融合 | Slim-neck:目标检测新范式,既轻量又涨点
  4. YOLO11 改进 - 特征融合 | 小目标检测救星:DySample动态上采样减少特征丢失
  5. YOLO11 改进 - 特征融合 | FFCA-YOLO: 提升遥感图像中小目标检测的精度和鲁棒性
  6. YOLO11 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
  7. YOLO11 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
  8. YOLO11 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
  9. 【YOLO11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
  10. YOLO11 改进 - 特征融合 | RepGFPN重参数化特征金字塔网络 ,实现高效多尺度特征交互与融合
  11. YOLO11 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
  12. YOLO11 改进 - 特征融合 | 重参数化CSPELAN模块(Reparameterized CSPELAN Module)通过结构重参数化实现高效特征提取
  13. YOLO11 改进 - 特征融合 | 融合Hyper-YOLO混合聚合网络MANet(Mixed Aggregation Network)通过多路径设计实现高效特征学习与模型适应性提升
  14. YOLO11 改进 - 特征融合 | EFC增强层间特征相关性,通过多尺度特征交互减少冗余信息丢失即插即用
  15. YOLO11 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
  16. YOLO11 改进 - 特征融合 | SMMM结构感知多尺度掩码模块,筛除冗余、强化边界与语义交互,助力图像分割高效涨点 | AAAI 2026
  17. YOLO11 改进 - 特征融合 | STFFM空间时间特征融合模块,强化时空互补、抑制噪声,助力小目标检测高效涨点

🚀

Mamba 系列🚀

  1. YOLO11 改进 - Mamba | 集成Mamba-YOLO(AAAI 2025),Mamba-YOLO11-L 替换骨干,破解全局依赖建模难题,实现高效实时检测

  2. YOLO11 改进 - Mamba | 集成Mamba-YOLO(AAAI 2025),Mamba-YOLO11-T 替换骨干,破解全局依赖建模难题,实现高效实时检测

  3. YOLO11 改进 - Mamba | 集成Mamba-YOLO(AAAI 2025),Mamba-YOLO11-B 替换骨干,破解全局依赖建模难题,实现高效实时检测

  4. YOLO11改进 - Mamba | C3k2融合MambaOut(CVPR 2025),简洁高效的视觉模型基线

  5. YOLO11改进 - Mamba | C3k2融合 VSS Block (Visual State Space Block) 视觉状态空间块,优化多尺度特征融合

  6. YOLO11改进 - Mamba | ASSG (Attentive State Space Group) 注意力状态空间组:增强全局上下文感知 | CVPR 2025

  7. YOLO11改进 - Mamba | C3k2融合MobileMambaBlock在轻量前提下,融合全局、多尺度局部特征并保留高频细节 | CVPR25

🚀Conv 🚀

  1. YOLO11改进 - 卷积Conv | GCNet之金箍棒块GCBlock ( CVPR 2025): 重参数化捕获全局依赖
  2. YOLO11改进 - 卷积Conv | AAAI 2025顶会PConv(Pinwheel-shaped Conv): 风车状卷积用于红外小目标检测
  3. YOLO11改进 - 卷积Conv | LAE: 轻量级自适应提取卷积,从多尺度特征图中获得更多的上下文信息和高分辨率细节
  4. YOLO11改进 - 卷积Conv | 融合多阶门控聚合网络MogaNet与 CA block,提升复杂场景与小目标检测鲁棒性
  5. YOLO11改进 - 卷积Conv | 融合MogaNet中的ChannelAggregationFFN(通道聚合前馈网络),优化通道维度的特征
  6. YOLO11 改进 - 核心卷积 | 注入多阶门控聚合机制:Multi-Order Gated Aggregation 突破表示瓶颈,增强复杂场景目标感知能力
  7. YOLO11改进 - 卷积Conv | 引入线性可变形卷积LDConv(Linear Deformable Convolution)增强不规则目标特征捕获能力
  8. YOLO11改进 - 卷积Conv | 突破传统卷积瓶颈:重新参数化重聚焦卷积RefConv,有效减少通道冗余
  9. YOLO11改进 - 卷积Conv | 融合Diverse Branch Block (DBB) 多样分支块的多尺度卷积路径,丰富特征空间实现即插即用性能增益
  10. YOLO11改进 - 卷积Conv | 增强感受野与多尺度特征捕获:引入RFB感受野块(Receptive Field Block)多分支卷积结构
  11. YOLO11改进 - 卷积Conv | 即插即用轻量化突破:OREPA在线卷积重参数化,通过动态结构演化实现高效特征提取与自适应优化
  12. YOLO11改进 - 卷积Conv | RFAConv:感受野注意力卷积动态调整感受野,提升小目标检出精度
  13. YOLO11改进 - 卷积Conv | SPD-Conv空间深度转换卷积优化空间信息编码,攻克小目标检测难题
  14. YOLO11改进 - 卷积Conv | SCConv空间和通道重建卷积:轻量化设计助力复杂场景与小目标检测
  15. YOLO11改进 - 卷积Conv | SPConv:基于分割的卷积巧解特征冗余,实现高效特征提取
  16. YOLO11改进 - 卷积Conv | DualConv( Dual Convolutional):用于轻量级深度神经网络的双卷积核
  17. YOLO11改进 - 卷积Conv | SAConv可切换空洞卷积:自适应融合多尺度特征,优化小目标与遮挡目标感知
  18. YOLO11改进 - 卷积Conv | ODConv全维度动态卷积:四维注意力机制赋能特征提取,增强多尺度感知
  19. YOLO11改进 - 卷积Conv | DynamicConv动态卷积赋能YOLO,实现高效参数利用
  20. YOLO11改进 - 卷积Conv | AKConv可变核卷积:任意参数与采样形状赋能特征提取,提升检测精度
  21. YOLO11改进 - 卷积Conv | 加权卷积wConv2D:无损替换标准卷积,增强空间建模与特征提取质量
  22. YOLO11改进 - 卷积Conv | MKDC 多核深度卷积块( ICCV 2025):多分支架构协同捕获局部细节与全局语义,提升特征判别力
  23. YOLO11改进 - 卷积Conv | PATConv(Partial Attention Convolution)部分注意力卷积,在减少计算量的同时融合卷积与注意力的优势 | AAAI 2026
  24. YOLO11改进 - 卷积Conv | DEGConv(方向引导边缘门控卷积) : 空间分块、方向先验、轻量边缘增强
  25. YOLO11改进 - 卷积Conv | TMC三角掩码卷积(Triangular-Masked Convolution)构建菱形盲点感受野,增强空间感知,图像去噪有效涨点| CVPR 2026 |
  26. YOLO11改进 - 卷积Conv | HLKConv层次大核卷积,动态增强局部上下文感知,缓解空洞伪影,助力红外小目标检测涨点 | TGRS 2025
  27. YOLO11改进 - 卷积Conv | StripBlockStripBlock大条带卷积块,通过顺序条带卷积捕获方向性长程依赖,强化高长宽比目标特征提取 | AAAI 2026

⛵C3k2融合⛵

  1. YOLO11改进 - C3k2融合 | C3k2融合GCNet之金箍棒块GCBlock ( CVPR 2025): 重参数化捕获全局依赖
  2. YOLO11改进 - C3k2融合 | C3k2融合EBlock(Encoder Block):低光增强编码器块,利用傅里叶信息增强低光图像
  3. YOLO11改进 - C3k2融合 | 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
  4. YOLO11改进 - C3k2融合 | 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
  5. YOLO11改进 - C3k2融合 | C3k2融合小波卷积WTConv (Wavelet Convolution) 实现感受野跨越式扩展与检测精度协同提升
  6. YOLO11改进 - C3k2融合 | C3k2融合FasterBlock-CGLU-C2 通过特征筛选与增强优化计算效率
  7. YOLO11改进 - C3k2融合 | C3k2模块融合RetBlock保持块(Retention Block)实现高效局部细节增强与多尺度目标检测性能提升
  8. YOLO11改进 - C3k2融合 | C3k2模块融合融合RepViT Block实现多尺度特征交互与上下文感知能力提升
  9. YOLO11改进 - C3k2融合 | C3k2融合动态卷积DynamicConv(Dynamic Convolution)实现参数量提升与计算开销高效平衡的精准检测
  10. YOLO11改进 - C3k2融合 | C3k2融合AKConv可改变核卷积 通过自适应采样位置调整优化多尺度目标表示
  11. YOLO11改进 - C3k2融合 | C3k2融合MLCA混合局部通道注意力 实现多尺度特征自适应优化与小目标检测精度提升
  12. YOLO11改进 - C3k2融合 | C3k2融合OREPA在线卷积重参数化,实现高效特征提取与模型轻量化
  13. YOLO11改进 - C3k2融合 | C3k2融合iRMB倒置残差移动块,通过轻量注意力机制提升多尺度特征表示能力
  14. YOLO11改进 - C3k2融合 | C3k2融合MogaBlock多阶门控聚合块,实现高效特征增强与计算资源优化
  15. YOLO11改进 - C3k2融合 | 融合DeepDBB深度多样分支模块(Deep Diverse Branch Block)通过多层次分支结构增强特征表征能力
  16. YOLO11改进 - C3k2融合 | C3k2融合融合WDBB宽度多样分支模块(Width Diverse Branch Block)通过多尺度分支增强特征表征能力
  17. YOLO11改进 - C3k2融合 | C3k2融合细节增强卷积DEConv(Detail-Enhanced Convolution)提升细微特征提取能力
  18. YOLO11改进 - C3k2融合 | C3k2融合ODConv全维度动态卷积,通过四维注意力机制实现多维度自适应特征增强
  19. YOLO11改进 - C3k2融合 | C3k2融合Deformable-LKA可变形大核注意力(Deformable Large Kernel Attention)实现高效空间自适应特征提取
  20. YOLO11改进 - C3k2融合 | C3k2融合DWRSeg扩张式残差分割网络,通过分层扩张卷积优化小目标细节特征提取
  21. YOLO11改进 - C3k2融合 | C3k2融合DWR扩张式残差分割网络,通过分层扩张卷积优化小目标细节特征提取
  22. YOLO11改进 - C3k2融合 | C3k2融合动态蛇形卷积Dynamic Snake Convolution通过自适应卷积核变形优化弯曲目标分割精度
  23. YOLO11改进 - C3k2融合 | C3k2融合MSBlock多尺度块(Multi-Scale Block)通过分层特征融合策略实现高效特征提取与参数优化
  24. YOLO11改进 - C3k2融合 | PPA并行化注意力架构(Parallelized Attention Architecture)通过并行注意力分支优化小目标特征提取
  25. YOLO11改进 - C3k2融合 | C3k2融合Diverse Branch Block(DBB)多样分支模块通过重参数化机制实现高效特征增强
  26. YOLO11改进 - C3k2融合 | C3k2融合SCConv空间和通道重建卷积(Spatial and Channel Reconstruction Convolution)实现即插即用式空间与通道优化
  27. YOLO11改进 - C3k2融合 | C3k2融合SCConv自校准卷积(Self-Calibrated Convolutions)通过特征内部自校准机制优化多尺度特征提取
  28. YOLO11改进 - C3k2融合 | C3k2融合MBRConv 多分支重参数化卷积,MBRConv3*3用于深层特征提取
  29. YOLO11改进 - C3k2融合 | C3k2融合MBRConv 多分支重参数化卷积,MBRConv5*5用于浅层特征提取
  30. YOLO11改进 - C3k2融合 | C3k2融合加权卷积wConv2D:无损替换标准卷积,增强空间建模与特征提取质量
  31. YOLO11改进 - C3k2融合 | C3k2融合SFS-Conv空间 - 频率选择卷积,在单卷积层中提取空间和频率维度特征,降低通道冗余
  32. YOLO11改进 - C3k2融合 | C3k2融合FDConv频率动态卷积:空间-频域协同调制增强细节捕获,提升小目标与边界模糊目标检出
  33. YOLO11改进 - C3k2融合 | C3k2 融合 ARConv 自适应矩形卷积:动态调整卷积核形状与采样点
  34. YOLO11改进 - C3k2融合 | C3k2 融合 LSConv (Large-Small Conv):融合大核感知与小核聚合,提升小目标特征判别力
  35. YOLO11改进 - C3k2融合 | C3k2融合 EVA Block高效视觉注意力块(ICIP 2025):融合多尺度特征自适应融合与通道级特征精炼
  36. YOLO11改进 - C3k2融合 | C3k2融DBlock解码器块( CVPR 2025 ) Decoder Block:解码器块,去模糊和提升图像清晰度
  37. YOLO11改进 - C3k2融合 | C3k2融合Mona多认知视觉适配器(CVPR 2025):打破全参数微调的性能枷锁:即插即用的提点神器
  38. YOLO11改进 - C3k2融合 | C3k2融合HMHA分层多头注意力机制(CVPR 2025):优化模型在复杂场景下的目标感知能力
  39. YOLO11改进 - C3k2融合 | C3k2融合HMHA分层多头注意力机制(CVPR 2025):优化模型在复杂场景下的目标感知能力
  40. YOLO11改进 - C3k2融合 | C3k2融合CBSA 收缩 - 广播自注意力:轻量级设计实现高效特征压缩,优化处理效率 | NeurIPS 2025
  41. YOLO11改进 - C3k2融合 | C3k2融合 IIA信息整合注意力(Information Integration Attention )平衡精度与计算成本 | TGRS2025
  42. YOLO11改进 - C3k2融合 | C3k2融合LWGA轻量分组注意力(Light-Weight Grouped Attention):四路径并行架构破解通道冗余难题 | AAAI 2026
  43. YOLO11改进 - C3k2融合 | C3k2融合CKconv中国结卷积(Chinese Knot Convolution)增强网络对暗弱小目标的特征表达能力 | TGRS 2026
  44. YOLO11改进 - C3k2融合 | C3k2融合ESC (Emulating Self-attention with Convolution) 卷积模拟自注意力:增强小目标与密集场景检测 | ICCV 2025
  45. YOLO11改进 - C3k2融合 | IRA倒残差注意力模块,轻量融合卷积表征与通道空间注意,助力移动端多光谱颜色校正误差大幅降低 | CVPR 2026
  46. YOLO11改进 - C3k2融合 | FourierSR傅里叶Token插件模块,扩展全局感受野、低成本提升重建细节,助力高效图像超分辨率稳定涨点 | TIP 2026
  47. YOLO11改进 - C3k2融合 | RFGM残差傅里叶引导模块:用频域先验修复极暗图像全局照明与结构细节 | TGRS 2026
  48. YOLO11改进 - C3k2融合 | PFG外围频率门控模块,像素级选择感受野、构造自适应带通滤波,助力时空预测高效建模 | CVPR 2026

🚤 C2PSA🚤

  1. YOLO11 改进 - C2PSA | C2PSA融合MSLA多尺度线性注意力(Arxiv2025 ):并行多分支架构融合上下文语义,提升特征判别力
  2. YOLO11 改进 - C2PSA | C2PSA融合DML动态混合层(Dynamic Mixing Layer)轻量级设计优化局部细节捕获与通道适应性,提升超分辨率重建质量
  3. YOLO11 改进 - C2PSA | C2PSA融合EDFFN高效判别频域前馈网络(CVPR 2025):频域筛选机制增强细节感知,优化复杂场景目标检测
  4. YOLO11 改进 - C2PSA | C2PSA融合Mona多认知视觉适配器(CVPR 2025):打破全参数微调的性能枷锁:即插即用的提点神器,引领视觉微调新突破
  5. YOLO11 改进 - C2PSA | C2PSA融合CPIASA跨范式交互与对齐自注意力机制(ACM MM2025): 交互对齐机制破解特征融合难题,提升小目标与遮挡目标判别力
  6. YOLO11 改进 - C2PSA | C2PSA融合DiffAttention差分注意力:轻量级差分计算实现高效特征降噪,提升模型抗干扰能力
  7. YOLO11 改进 - C2PSA | C2PSA融合Mask Attention掩码注意力,可学习掩码矩阵破解低分辨率特征提取难题 | 2025 预印
  8. YOLO11 改进 - C2PSA | C2PSA融合TSSA(Token Statistics Self-Attention)令牌统计自注意力,优化遮挡目标感知
  9. YOLO11 改进 - C2PSA | C2PSA融合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
  10. YOLO11 改进 - C2PSA | C2PSA融合HEWL(高频增强小波层):小波逆变换+双通道注意力增强+高频显式增强 | TGRS 2026
  11. YOLO11 改进 - C2PSA | C2PSA融合WDAM(小波方向性注意力模块):用方向高频信息引导低频修复,同时大幅降低计算量
  12. YOLO11 改进 - C2PSA | C2PSA融合SDTA单深度卷积转置注意力模块,低冗余建模长程依赖、融合局部与全局表征,助力边缘ViT高效提速省电 | ICIP 2026
  13. YOLO11 改进 - C2PSA | C2PSA融合Circulant Attention循环注意力模块,助力视觉Transformer高分辨率场景提速涨点 | AAAI 2026
  14. YOLO11 改进 - C2PSA | C2PSA融合LCGA局部曲率引导注意力模块,强化边缘连续性、抑制纹理干扰,助力遥感超分辨率保结构提质 | TGRS 2026
  15. YOLO11 改进 - C2PSA | C2PSA融合CGTA曲率引导Token注意力模块,筛选关键token、传播长程曲线结构,助力遥感超分辨率全局保真提质 | TGRS 2026

🧨SPPF改进 🧨

  1. YOLO11 改进 - SPPF模块 | 发论文神器!LSKA注意力改进SPPF,增强多尺度特征提取能力,高效涨点!!!
  2. YOLO11 改进 - SPPF模块 | 替代SPPF,FFocal Modulation焦点调制:即插即用轻量设计优化全局语义捕获
  3. YOLO11 改进 - SPPF模块 | AIFI基于注意力的尺度内特征交互:替代SPPF构建高效混合编码器,提升模型综合效能
  4. YOLO11 改进 - SPPF模块 | SPPELAN 空间金字塔池化与增强局部注意力:替代SPPF增强多尺度上下文捕获,提升检测精度
  5. YOLO11 改进 - SPPF模块 | 替代SPPF, Mona多认知视觉适配器(CVPR 2025):打破全参数微调的性能枷锁:即插即用的提点神器

🛩️即插即用模块 🛩️

  1. YOLO11 改进 - 即插即用 | RepViTBlock重参数化视觉Transformer块:结构重参数化技术破解训练推理效率瓶颈,实现精度与速度兼得
  2. YOLO11 改进 - 即插即用 | SMFA自调制特征聚合:双分支协同破解特征冗余,增强多尺度目标感知
  3. YOLO11 改进 - 即插即用 | 中小目标检测飙升:Hyper 超图赋能YOLO:轻量级设计实现跨层级信息交互,增强复杂场景感知
  4. YOLO11 改进 - 即插即用 | PST金字塔稀疏Transformer:粗粒度到细粒度推理优化特征提取,提升复杂场景适应性

🪂主干改进 🪂

  1. YOLO11 改进 - 主干网络| EfficientRep:一种旨在提高硬件效率的RepVGG风格卷积神经网络架构
  2. YOLO11 改进 - 主干网络| 清华大学CloFormer AttnConv :利用共享权重和上下文感知权重增强局部感知,注意力机制与卷积的完美融合
  3. YOLO11 改进 - 主干网络| MobileNetV4 移动网络第四版:通用倒瓶颈与移动注意力协同优化硬件效率,提升移动端检测适应性
  4. YOLO11 改进 - 主干网络| EfficientViT 高效视觉Transformer:硬件感知架构平衡全局感受野与局部细节,提升模型适应性
  5. YOLO11 改进 - 主干网络| FasterNet (基于PConv部分卷积的神经网络):轻量级设计优化内存访问效率,实现精度与速度双重提升
  6. YOLO11 改进 - 主干网络| SwinTransformer 移位窗口层次化视觉变换器:层次化特征提取增强多尺度目标感知,优化复杂场景检测
  7. YOLO11 改进 - 主干网络| ConvNeXtV2全卷积掩码自编码器网络:轻量级纯卷积架构破解特征坍塌难题,提升特征多样性
  8. YOLO11 改进 - 主干网络| RevCol可逆列网络:轻量级多列设计破解特征信息丢失难题,提升小目标与密集目标感知精度
  9. YOLO11 改进 - 主干网络| LSKNet大型选择性核网络:大核深度卷积与空间选择机制协同动态调整感受野,增强旋转目标检测
  10. YOLO11 改进 - 主干网络| RepViT重访移动端CNN的ViT视角:轻量级设计分离Token与Channel混合器,优化移动端实时检测

🚀 采样 🚀

  1. YOLO11改进-上采样 | EUCB高效上卷积块,实现特征图尺度匹配和高效上采样

  2. YOLO11 改进 -下采样 | 特征融合 NECK 优化,CARAFE 轻量算子让 YOLO11 细节检测飙升

  3. YOLO11 改进 - 下采样 | 轻量化突破:ADown 下采样让 YOLO11 参量减、精度升

  4. YOLO11 改进 - 采样 | ICCV 顶会技术:WaveletPool 小波池化强化采样,保留小目标细节

  5. YOLO11 改进 - 采样 | mAP 升 2%-7%:DRFD&SRFD 分阶下采样,强化特征稳健性

  6. YOLO11 改进 - 采样 | 小目标分割救星:HWD 降采样少丢细节提精度

  7. YOLO11 改进 -下采样 | DMSSP动态多尺度空间金字塔模块,聚合多尺度上下文、强化高频边缘细节,助力红外小目标分割精准涨点 | TGRS 2026

✈️ NECK ✈️

  1. YOLO11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
  2. YOLO11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 2026
  3. YOLO11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

✈️ 检测头 ✈️

  1. YOLO11 改进 - 检测头 | DetectDeepDBB 基于深度多样分支块的检测头:优化特征提取流程,改善多尺度目标检测
  2. YOLO11 改进 - 检测头 | Detect_LSCD轻量共享卷积检测头:轻量化设计破解计算瓶颈,增强复杂场景目标感知能力
  3. YOLO11 改进 - 检测头 | Detect-Dyhead动态检测头:轻量级设计统一多头注意力,提升复杂场景感知效率

✈️ 损失函数 ✈️

  1. YOLO11 改进 - 损失函数 | Shape-IoU:形状感知交并比损失函数通过动态调整权重增强尺度适应性,优化不规则目标准确定位
  2. YOLO11 改进 - 损失函数 | SDloss尺度动态损失:动态平衡尺度与位置损失权重破解多尺度目标检测难题
一篇文章快速认识YOLO11 | 关键改进点 | 安装使用 | 模型训练和推理 本文分享YOLO11的关键改进点、性能对比、安装使用、模型训练和推理等内容。YOLO11 是 Ultralytics 最新的实时目标检测器,凭借更高的精度、速度和效率重新定义了可能性。除了传统的目标检测外,YOLO11 还支持目标跟踪、实例分割、关键点姿态估计、OBB定向物体检测(旋转目标检测)等视觉任务。1. YOLOv3:核心改进:YOLOv3 是 YOLO 系列的第三代,由 Joseph Redmon 于 2018 年发布,标志着 YOLO 从原始的单尺度检测进化到多尺度检测。 4.1w 阅读·113 点赞·646 收藏 阅读详情

相关推荐

YOLOv11改进有效系列目录 - 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制 - 针对多尺度、小目标、遮挡、恶劣天气等问题

在一些特定情况下,目标检测任务由于多种因素的影响,变得更加复杂和困难。以下是几类常见的困难目标检测场景:1. 小目标检测定义:小目标检测是指当目标在图像中的占比非常小时,模型需要准确识别和定位这些目标。典型场景包括远程监控、卫星图像分析等。挑战1. 低分辨率:由于目标在图像中占据像素较少,细节缺失,特征提取难度增加。2. 特征不足:小目标缺乏明显的形状和纹理特征,容易被复杂背景淹没。3. 检测难度大:由于小目标与背景之间的对比度较低,误检的几率上升。4. 数据不平衡。

qq_64693987的博客 4万+

YOLOv11改进 | SPPF篇 | 2024最新AIFI模块改进特征金字塔网络(Transformer和YOLO的结合)

本文给大家带来是用最新的改进是RT-DETR模型中的AIFI模块间去替换YOLOv11中的SPPF。RT-DETR号称是打败YOLO的检测模型,其作为一种基于Transformer的检测方法,相较于传统的基于卷积的检测方法,提供了更为全面和深入的特征理解,将RT-DETR中的一些先进模块融入到YOLOv11往往能够达到一些特殊的效果,因为发论文并不一定要提高精度轻量化模型也是一个方向本文含yolov11和RT-DETR的结合文件,配合RT-DETR检测头)。

Snu77的博客 1万+

YOLOv11改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

如今各种网络模型更新迭代越来越快,计算机视觉相关的文章也越来越多,多到一些普通,通用的改进点无法达到发表的要求。本专栏正是解决这个问题!如何寻找创新点?为什么要使用这个模块?如何才能提升模型的精度?这是贯穿我们研究始终的问题。创新点在这个专栏中我已经整理好了,这已经省去了大部分时间,但是当我们使用这些新的模块去优化已有的模型,如何才能提升模型的精度,才是我们要达到的最终目标。当然我们可以使用传统的A+B+C的方法去堆积模块,然后是进行大量的实验去排列组合以实现最终的精度提升,这无可厚非。

Limiiiing的博客 6万+

YOLOv12改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

1️⃣ 什么!不知道如何改进模型⁉️ 本专栏所使用并改进的每一个模块均包含详细的模块分析、原理讲解、个人总结、多种改进方式以及完整的修改流程,所有改进100%可直接运行,性价比极高。2️⃣ 找不到合适的模块⁉️ 所有改进点均为近三年顶会,顶刊提出的先进算法,将其融入到中,并进行二次创新,新颖度高,创新度高,能够适应不同的任务场景。3️⃣ 不确定自己改进的步骤、结果是否正确⁉️ 订阅专栏即可进群享受模型训练、模型改进、论文写作、投稿选刊,从入门到论文的各种答疑内容,非常适合新手。4️⃣ 团队内发表数篇SCI论

Limiiiing的博客 2万+

YOLO26改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

1️⃣ 什么!不知道如何改进模型⁉️ 本专栏已更新260多种不同的改进方法,所使用并改进的每一个模块均包含详细的模块分析、原理讲解、个人总结、多种改进方式以及完整的修改流程,所有改进100%可直接运行,性价比极高。2️⃣ 找不到合适的模块⁉️ 所有改进点均为近三年顶会,顶刊提出的先进算法,将其融入到中,并进行二次创新,新颖度高,创新度高,能够适应不同的任务场景。3️⃣ 不确定自己改进的步骤、结果是否正确⁉️ 订阅专栏即可进群享受模型训练、模型改进、论文写作、投稿选刊,从入门到论文的各种答疑内容,非常适合新手

Limiiiing的博客 6594

YOLOv8改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

1️⃣本专栏已更新150多种不同的改进方法,所使用并改进的每一个模块均包含详细的模块分析、原理讲解、个人总结、多种改进方式以及完整的修改流程,所有改进100%可直接运行。2️⃣所有改进点均为近三年顶会,顶刊提出的先进算法,将其融入到中,紧跟学术热点,适应不同的任务场景。3️⃣团队内发表数篇SCI论文,熟悉完整的发表流程,订阅专栏即可进群享受模型训练、模型改进、论文写作、投稿选刊,从入门到论文的各种答疑内容。4️⃣专栏内容会持续更新,最近更新时间:2024-12-24。项目介绍在大家购买专栏后,加入学

Limiiiing的博客 1万+

YOLOv13改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

1️⃣ 已更新种不同的改进方案,专栏内的每篇文章皆,均可顺利运行。2️⃣ 订阅专栏即可进群获取以及从的各种答疑内容。3️⃣ 全新的YOLOv13改进专栏,,只为更好的满足论文发表的要求。专栏内容,专栏实时评分,全网最高,质量保证。🎫。。

Limiiiing的博客 9214

RT-DETR改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

1️⃣本专栏已更新260多种不同的改进方法,所使用并改进的每一个模块均包含详细的模块分析、原理讲解、个人总结、多种改进方式以及完整的修改流程,所有改进100%可直接运行。2️⃣所有改进点均为近三年顶会,顶刊提出的先进算法,将其融入到中,紧跟学术热点,适应不同的任务场景。3️⃣团队内发表数篇SCI论文,熟悉完整的发表流程,订阅专栏即可进群享受模型训练、模型改进、论文写作、投稿选刊,从入门到论文的各种答疑内容。4️⃣专栏内容会持续更新,最近更新时间:2024-12-4。项目介绍在大家购买专栏后,加入学习

Limiiiing的博客 2万+

2026最新YOLO26改进:卷积层、轻量化、注意力机制、损失函数、Backbone、SPPF、Neck、检测头全方位优化汇总

针对YOLO26模型改进痛点,本专栏整理200+实战验证方法,覆盖卷积层、注意力机制等核心模块。 每种方法含原理、性能分析、改进路径及实操流程,代码可直接运行,快速提升模型效果,性价比超高。

魔改工程师的博客 1万+

《YOLO11魔术师专栏》专栏介绍 & 专栏目录

【原创自研模块】【多组合点优化】【注意力机制】【主干篇】【neck优化】【卷积魔改】 【block&多尺度融合结合】【损失&IOU优化】【上下采样优化】【小目标性能提升】【前沿论文分享】【训练实战篇】

①答疑群聊服务;②YOLO大模型知识问答系统;③计算机视觉论文生成智能体; 1万+

YOLOv11全方位改进指南:从Backbone到检测头的深度优化

本文将深入探讨YOLOv11的各种改进策略,涵盖卷积层、轻量化设计、注意力机制、损失函数、Backbone网络、SPPF模块、Neck结构和检测头等全方位优化方案。本文详细介绍了YOLOv11的各种改进策略,涵盖了从基础卷积层到高级注意力机制的多个方面。在实际应用中,建议采用增量改进的方式,逐步验证每种改进对最终性能的影响。本文将提供详细的代码实现和解释,帮助读者理解每种改进方法的原理和实现方式,无论是研究者还是工程师,都能从中获得实用的技术见解。动态卷积根据输入特征动态生成卷积权重,增强模型表达能力。

Loving_enjoy的博客 776

暑期实习前端面试笔试总结汇总

腾讯2020暑期实习——前端视频面试(1)回顾 腾讯2020暑期实习——前端视频面试(2)回顾 腾讯2020暑期实习——前端视频面试(3)回顾 腾讯2020暑期实习——前端视频面试(4)回顾 蘑菇街2020暑期实习——前端视频面试回顾 二、笔试 奇安信前端实习笔试总结 vivo笔试(2020年3月8日) ...

明媚 3069

多尺度Transformer+特征融合新范式,算力减半精度猛增

在大模型时代,多尺度特征融合与Transformer架构的结合正成为研究热点。多尺度特征融合能够捕捉数据在不同尺度上的关键信息,而Transformer架构凭借其强大的并行处理能力和对长距离依赖的建模能力,为复杂数据处理提供了新的思路。这种结合在处理多模态数据时展现出巨大潜力。

Tulingxueshu的博客 1065

STM32F1的USB接口-自定义HID

设置USB VID:1155 PID :22352。

chilian12321的博客 840

XTDrone——ALOAM与3D激光雷达三维SLAM(处理没有点云和坐标系报错的问题)

本文介绍了XTDrone中配置如何在三维环境中使用A-LOAM算法配合velodyneHDL32激光雷达包括依赖包安装、代码修改和PX4系统配置,以及相关报错细节的注意事项。

weixin_45390670的博客 1331

基于STM32智能教室灯光照明人数监测系统

本文设计了一套基于STM32和物联网技术的智能教室照明系统,通过光照传感器和双红外对管实现精准人数统计,结合"光照+人数"双条件判断实现按需照明。系统采用"感知-决策-执行-云联"架构,包含环境感知、人数统计、控制执行等模块,支持本地自动控制和手机APP远程管理。测试表明系统能有效避免"长明灯"现象,具有节能降耗、管理智能化的特点。创新点在于双向人数统计算法和双条件控制逻辑,为智慧校园建设提供了实用解决方案。

1166

STM32G0/G4电机控制中三角函数与浮点运算优化实战

三角函数(sin/cos)和浮点运算是电机矢量控制(FOC)的核心基础,直接影响Clark/Park变换、SVPWM及观测器的实时性与精度。在资源受限的MCU上,标准math.h库因无硬件FPU支持而引发严重时序抖动,导致电流环延迟、转矩脉动增大甚至系统复位。通过硬件加速(如STM32G4的CORDIC协处理器)或定制化定点算法(如STM32G0的查表+线性插值),可将sin/cos计算从数十微秒压缩至1–3 μs量级,提升30倍以上效率。该方案广泛适用于BLDC/PMSM驱动、伺服控制及高动态响应嵌入式运

weixin_35751412的博客 112

HyperLynx(三十一)高速串行总线仿真(三)

(5)选择 “File”→ “Open Touchstone”,打开路径 C:\Adv_HL_Tmg\SERDES_Interface\models,选中connector.s4p,单击打开,如图所示。接下来,找出将要分配模型的S参数连接。(12)单击“Assign”按钮,选择模型类型为“Touchstone models”,在库中选择“connector.s4p”,如图所示。(14)单击“OK”按钮,选中“connector.s4p”这一行,单击“Connection Editor”按钮,如图所示。

小幽余生不加糖 3370

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

上一篇: YOLOv11 改进 - 注意力机制 | Polarized Self-Attention 极化自注意力:高分辨率保持机制优化细节表征,助力小目标检测
下一篇: YOLOv11 改进 - 注意力机制 | S2Attention稀疏分片注意力:多头协同覆盖全局上下文,增强小目标与长程特征捕获
魔改工程师
博客等级 码龄3年 2899粉丝 503原创
评论 10
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

魔改工程师

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址