勋章
我关注的人
粉丝
技术能力
暂时未有相关云产品技术能力~
YOLO骨灰级玩家
-
发表了文章 2024-07-27
【YOLOv8改进 - 注意力机制】c2f结合CBAM：针对卷积神经网络（CNN）设计的新型注意力机制
【YOLOv8改进 - 注意力机制】c2f结合CBAM：针对卷积神经网络（CNN）设计的新型注意力机制
-
发表了文章 2024-07-27
【YOLOv8改进 - 特征融合】DySample ：超轻量级且高效的动态上采样器
【YOLOv8改进 - 特征融合】DySample ：超轻量级且高效的动态上采样器
-
发表了文章 2024-07-27
【YOLOv8改进 - 特征融合】CARAFE：轻量级新型上采样算子，助力细节提升
【YOLOv8改进 - 特征融合】CARAFE：轻量级新型上采样算子，助力细节提升
-
发表了文章 2024-07-27
【YOLOv8改进 - 特征融合NECK】 DAMO-YOLO之RepGFPN ：实时目标检测的创新型特征金字塔网络
【YOLOv8改进 - 特征融合NECK】 DAMO-YOLO之RepGFPN ：实时目标检测的创新型特征金字塔网络
-
发表了文章 2024-07-27
【YOLOv8改进 - 特征融合】 YOGA iAFF ：注意力机制在颈部的多尺度特征融合
【YOLOv8改进 - 特征融合】 YOGA iAFF ：注意力机制在颈部的多尺度特征融合
-
发表了文章 2024-07-27
【YOLOv8改进 - Backbone主干】VanillaNet：极简的神经网络，利用VanillaNet替换YOLOV8主干
【YOLOv8改进 - Backbone主干】VanillaNet：极简的神经网络，利用VanillaNet替换YOLOV8主干
-
发表了文章 2024-07-27
【YOLOv8改进 - Backbone主干】VanillaNet：极简的神经网络，利用VanillaBlock降低YOLOV8参数
【YOLOv8改进 - Backbone主干】VanillaNet：极简的神经网络，利用VanillaBlock降低YOLOV8参数
-
发表了文章 2024-07-27
【YOLOv8改进 - Backbone主干】FasterNet：基于PConv（部分卷积）的神经网络，提升精度与速度，降低参数量。
【YOLOv8改进 - Backbone主干】FasterNet：基于PConv（部分卷积）的神经网络，提升精度与速度，降低参数量。
-
发表了文章 2024-07-27
【YOLOv8改进 - 注意力机制】SENetV2: 用于通道和全局表示的聚合稠密层，结合SE模块和密集层来增强特征表示
【YOLOv8改进 - 注意力机制】SENetV2: 用于通道和全局表示的聚合稠密层，结合SE模块和密集层来增强特征表示
-
发表了文章 2024-07-24
【YOLOv8改进 - 注意力机制】ContextAggregation : 上下文聚合模块，捕捉局部和全局上下文，增强特征表示
【YOLOv8改进 - 注意力机制】ContextAggregation : 上下文聚合模块，捕捉局部和全局上下文，增强特征表示
-
发表了文章 2024-07-24
【YOLOv8改进- Backbone主干】BoTNet：基于Transformer，结合自注意力机制和卷积神经网络的骨干网络
【YOLOv8改进- Backbone主干】BoTNet：基于Transformer，结合自注意力机制和卷积神经网络的骨干网络
-
发表了文章 2024-07-24
【YOLOv8改进- 多模块融合改进】GhostConv + ContextAggregation 幽灵卷积与上下文聚合模块融合改进，助力小目标高效涨点
【YOLOv8改进- 多模块融合改进】GhostConv + ContextAggregation 幽灵卷积与上下文聚合模块融合改进，助力小目标高效涨点
-
发表了文章 2024-07-19
【YOLOv8改进 - 注意力机制】 CascadedGroupAttention：级联组注意力，增强视觉Transformer中多头自注意力机制的效率和有效性
YOLO目标检测专栏探讨了Transformer在视觉任务中的效能与计算成本问题，提出EfficientViT，一种兼顾速度和准确性的模型。EfficientViT通过创新的Cascaded Group Attention（CGA）模块减少冗余，提高多样性，节省计算资源。在保持高精度的同时，与MobileNetV3-Large相比，EfficientViT在速度上有显著提升。论文和代码已公开。CGA通过特征分割和级联头部增加注意力多样性和模型容量，降低了计算负担。核心代码展示了CGA模块的实现。
-
发表了文章 2024-07-19
【YOLOv8改进 - 卷积Conv】SPConv：去除特征图中的冗余，大幅减少参数数量 | 小目标
YOLO目标检测专栏探讨了模型优化，提出SPConv，一种新卷积操作，减少特征冗余，提升效率。SPConv将特征分为代表性和不确定部分，分别处理，再融合。实验显示，SPConv在速度和准确性上超越现有基准，减少FLOPs和参数。论文和PyTorch代码已公开。更多详情及实战案例见CSDN博客链接。
-
发表了文章 2024-07-19
【YOLOv8改进 - 注意力机制】GAM（Global Attention Mechanism）：全局注意力机制，减少信息损失并放大全局维度交互特征
YOLO目标检测专栏探讨了模型创新，如注意力机制，聚焦通道和空间信息的全局注意力模组（GAM），提升DNN性能。GAM在ResNet和MobileNet上优于最新方法。论文及PyTorch代码可在给出的链接找到。核心代码展示了GAM的构建，包含线性层、卷积和Sigmoid激活，用于生成注意力图。更多配置详情参阅相关博客文章。
-
发表了文章 2024-07-19
【YOLOv8改进 - 注意力机制】ECA（Efficient Channel Attention）：高效通道注意 模块，降低参数量
YOLO目标检测专栏聚焦模型创新与实战，介绍了一种高效通道注意力模块（ECA），用于提升CNN性能。ECA仅用少量参数实现显著性能增益，避免了维度缩减，通过1D卷积进行局部跨通道交互。代码实现展示了一个ECA层的结构，该层在多种任务中展现优秀泛化能力，同时保持低模型复杂性。论文和代码链接分别指向arXiv与GitHub。更多详情可查阅CSDN博主shangyanaf的相关文章。
-
发表了文章 2024-07-19
【YOLOv8改进- Backbone主干】2024最新轻量化网络MobileNetV4替换YoloV8的BackBone
YOLO目标检测专栏聚焦于模型的改进和实战应用，介绍了MobileNetV4，它在移动设备上优化了架构。文章提到了UIB（通用反向瓶颈）模块，结合了多种结构，增强了特征提取；Mobile MQA是专为移动平台设计的注意力层，提升了速度；优化的NAS提升了搜索效率。通过这些创新，MNv4在不同硬件上实现了性能和效率的平衡，且通过蒸馏技术提高了准确性。模型在Pixel 8 EdgeTPU上达到87%的ImageNet-1K准确率，延迟仅为3.8ms。论文、PyTorch和TensorFlow实现代码链接也已提供。
-
发表了文章 2024-07-19
【YOLOv8改进 - 卷积Conv】DWRSeg：扩张式残差分割网络，提高特征提取效率和多尺度信息获取能力，助力小目标检测
YOLO目标检测专栏探讨了YOLO的创新改进，如多尺度特征提取的DWRSeg网络。该网络通过区域残差化和语义残差化提升效率，使用DWR和SIR模块优化高层和低层特征。DWRSeg在Cityscapes和CamVid数据集上表现优秀，速度与准确性兼备。论文和代码已公开。核心代码展示了一个包含DWR模块的卷积层。更多配置详情见相关链接。
-
发表了文章 2024-07-19
【YOLOv8改进 -注意力机制】Mamba之MLLAttention ：基于Mamba和线性注意力Transformer的模型
YOLOv8专栏探讨了该目标检测模型的创新改进，包括使用Mamba模型的线性注意力Transformer变体，称为MLLA。Mamba的成功关键在于遗忘门和块设计，MLLA结合了这些优点，提升了视觉任务的性能。文章提供全面分析，并提出MLLA模型，其在效率和准确性上超过多种视觉模型。论文和代码可在提供的链接中找到。MLLA Block的代码示例展示了如何整合关键组件以实现高效运算。更多配置详情见相关链接。
-
发表了文章 2024-07-19
YOLOv8有效改进系列及项目实战目录 包含卷积，主干 注意力，检测头等创新机制 以及 各种目标检测分割项目实战案例
这个摘要主要涵盖了一个关于YOLO目标检测的深度学习专栏的内容概览。该专栏专注于YOLO算法的历史、前沿研究和实战应用，提供了一系列的文章，详细讲解了YOLO的改进方法，包括卷积优化、损失函数创新、注意力机制、网络结构和主干网络的更新，以及针对不同场景如红外成像、小目标检测等的应用。此外，还提供了每周多次的更新频率以保持内容的时效性，并指导读者进行论文写作和项目实现，包括具体的代码示例和实战项目，如行人检测、对象分割、姿态估计等。该专栏还涉及到面试准备和实习就业指导，帮助读者提升在图像算法领域的专业技能。
-
发表了文章 2024-07-19
【YOLOv8改进- Backbone主干】YOLOv8更换主干网络之ConvNexts，纯卷积神经网络，更快更准，，降低参数量！
YOLOv8专栏探讨了针对目标检测的ConvNet创新，提出ConvNeXt模型，它挑战Transformer在视觉任务中的主导地位。ConvNeXt通过增大卷积核、使用GeLU激活、切换到LayerNorm和改进下采样层，提升了纯ConvNet性能，达到与Transformer相当的准确率和效率。论文和代码已公开。
-
发表了文章 2024-07-19
【YOLOv8改进- Backbone主干】YOLOv8 更换主干网络之EfficientNet，高效的卷积神经网络，降低参数量
YOLOv8专栏探讨了目标检测的创新改进，包括模型扩展和神经架构搜索。提出的新方法使用复合系数平衡网络的深度、宽度和分辨率，产生了EfficientNets系列，其在准确性和效率上超越了先前的ConvNets。EfficientNet-B7在ImageNet上达到84.3%的顶级准确率，同时保持较小的模型大小和更快的推理速度。文章提供了论文和代码链接，以及核心的EfficientNet模型构建Python代码。
-
发表了文章 2024-07-19
【YOLOv8改进 - 特征融合NECK】 GIRAFFEDET之GFPN ：广义特征金字塔网络，高效地融合多尺度特征
YOLOv8专栏探讨了目标检测的创新改进，提出了GiraffeDet，一种轻量级主干和深度颈部模块结合的高效检测网络。GiraffeDet使用S2D-chain和GFPN，优化多尺度信息交换，提升检测性能。代码和论文可在相关链接找到。GFPN通过跳跃和跨尺度连接增强信息融合。文章还展示了核心组件如SPPV4、Focus和CSPStage的代码实现。
-
发表了文章 2024-07-19
【YOLOv8改进-SPPF】 Focal Modulation :使用焦点调制模块替代SPPF
YOLOv8专栏介绍了FocalNets，一种取代自注意力的新型模块，提升模型在图像分类、检测和分割任务中的性能。Focal Modulation包括局部聚焦、全局调制和多尺度处理，通过融合CNN和自注意力优点。代码展示了FocalModulation模块的实现。论文和代码已开源。在多个基准测试中，FocalNets超越了Swin等先进模型。
-
发表了文章 2024-07-19
【YOLOv8改进 - 注意力机制】RCS-OSA :减少通道的空间对象注意力，高效且涨点
YOLOv8专栏探讨了YOLO系列的创新改进，提出RCS-YOLO模型，它在脑肿瘤检测中超越YOLOv6/v7/v8，精度提升1%，速度增快60%（达到114.8 FPS）。RCS-OSA模块结合RepVGG/ShuffleNet优点，通过通道重参数化和混洗优化卷积，提升速度和准确性。代码和论文可在提供的链接获取。
-
发表了文章 2024-07-19
【YOLOv8改进 - 特征融合】 GELAN:YOLOV9 通用高效层聚合网络，高效且涨点
YOLOv8专栏探讨了深度学习中信息瓶颈问题，提出可编程梯度信息（PGI）和广义高效层聚合网络（GELAN），改善轻量级模型的信息利用率。GELAN在MS COCO数据集上表现优越，且PGI适用于不同规模的模型，甚至能超越预训练SOTA。[论文](https://arxiv.org/pdf/2402.13616)和[代码](https://github.com/WongKinYiu/yolov9)已开源。核心组件RepNCSPELAN4整合了RepNCSP块和卷积。更多详情及配置参见相关链接。
-
发表了文章 2024-07-19
【YOLOv8改进 - 注意力机制】S2Attention : 整合空间位移和分割注意力
YOLOv8专栏探讨了MLP主干网络的创新，如S2-MLPv2，它通过通道扩展和分块空间移位提高性能，达到83.6%的ImageNet top-1准确率。文章介绍了分割注意力模块，用于融合特征图。提供了S2Attention类的代码示例，展示如何结合空间位移和分割注意力。详细内容和实战案例可在[CSDN博客](https://blog.csdn.net/shangyanaf)找到。
-
发表了文章 2024-07-19
【YOLOv8改进 - 注意力机制】GC Block: 全局上下文块，高效捕获特征图中的全局依赖关系
YOLOv8专栏探讨了目标检测的创新改进，如整合NLNet和SENet优势的GCBlock，用于高效全局上下文建模。GCNet在多个识别任务中表现优越，同时降低了计算成本。文章提供了论文、代码链接及详细实现，包括特征的全局建模、变换和融合步骤。核心GCBlock代码展示了其结构。更多实战案例和配置见相关链接。
-
发表了文章 2024-07-19
【YOLOv8改进】HWD: Haar小波降采样,用于语义分割的降采样模块，减少特征图的空间分辨率
YOLOv8专栏探讨了卷积网络的改进，特别是提出了一种名为HWD的基于Haar小波的下采样模块，用于语义分割，旨在保留更多空间信息。HWD结合了无损编码和特征表示学习，提高了模型性能并减少了信息不确定性。新度量标准FEI量化了下采样的信息保留能力。论文和代码可在提供的链接中找到。核心代码展示了如何在PyTorch中实现HWD模块。
-
发表了文章 2024-07-19
【YOLOv8改进 - 特征融合NECK】SDI：多层次特征融合模块，替换contact操作
YOLOv8专栏探讨了该目标检测算法的创新改进，包括新机制和实战案例。文章介绍了U-Net v2，一种用于医学图像分割的高效U-Net变体，它通过SDI模块融合语义和细节信息，提升分割准确性。SDI模块结合空间和通道注意力，经通道减缩、尺寸调整和平滑后，用哈达玛积融合特征。提供的核心代码展示了SDI模块的实现。更多详情和论文、代码链接见原文。
-
发表了文章 2024-07-19
【YOLOv8改进-SPPF】 AIFI : 基于注意力的尺度内特征交互，保持高准确度的同时减少计算成本
YOLOv8专栏介绍了该系列目标检测框架的最新改进与实战应用。文章提出RT-DETR，首个实时端到端检测器，解决了速度与精度问题。通过高效混合编码器和不确定性最小化查询选择，RT-DETR在COCO数据集上实现高AP并保持高帧率，优于其他YOLO版本。论文和代码已开源。核心代码展示了AIFI Transformer层，用于位置嵌入。更多详情见[YOLOv8专栏](https://blog.csdn.net/shangyanaf/category_12303415.html)。
-
发表了文章 2024-07-08
【YOLOv8改进 - 注意力机制】HCF-Net 之 DASI： 维度感知选择性整合模块 | 小目标
YOLO目标检测专栏介绍了HCF-Net，一种针对红外小目标检测的深度学习模型，包含PPA、DASI和MDCR模块。PPA利用多分支注意力捕获多层次特征，DASI实现自适应特征融合，MDCR通过深度可分离卷积细化空间特征。HCF-Net在SIRST数据集上的实验超越其他模型。论文和代码可在提供的链接中找到。DASI模块通过信道分区选择机制动态融合高维和低维特征。YOLOv8引入了DASI结构，结合不同尺度特征以增强小目标检测。更多配置细节参见相关链接。
-
发表了文章 2024-07-08
【YOLOv8改进 - 注意力机制】LS-YOLO MSFE：新颖的多尺度特征提取模块 | 小目标/遥感
YOLO系列目标检测模型的新发展，LS-YOLO专为滑坡检测设计。它使用多尺度滑坡数据集（MSLD）和多尺度特征提取（MSFE）模块，结合ECA注意力，提升定位精度。通过改进的解耦头，利用膨胀卷积增强上下文信息。在滑坡检测任务中，LS-YOLO相对于YOLOv5s的AP提高了2.18%，达到97.06%。论文和代码已开源。
-
发表了文章 2024-07-08
【YOLOv8改进 - 注意力机制】 MHSA：多头自注意力（Multi-Head Self-Attention）
YOLO目标检测专栏探讨了BoTNet，一种在ResNet瓶颈块中用全局自注意力替换卷积的架构，提升实例分割和检测性能。BoTNet表现优于先前的ResNeSt，且在ImageNet上速度更快。文章介绍了多头自注意力（MHSA）机制，用于学习输入的不同部分间的关系。BoTNet的MHSA层整合在低分辨率特征图中，以捕获长距离依赖。YOLOv8进一步引入MHSA，通过具体的模块定义（如提供的`MHSA`类）来增强模型的注意力机制。相关论文和代码链接可供参考。
-
发表了文章 2024-07-08
【YOLOv8改进 - 注意力机制】HCF-Net 之 MDCR：多稀释通道细化器模块 ，以不同的稀释率捕捉各种感受野大小的空间特征 | 小目标
HCF-Net是针对红外小目标检测的深度学习模型，采用U-Net改进架构，包含PPA、DASI和MDCR模块。PPA利用多分支特征提取增强小目标表示，DASI实现自适应通道融合，MDCR通过多扩张率深度可分离卷积细化空间特征。实验显示，HCF-Net在SIRST数据集上表现出色，超越其他方法。代码和论文可在给出的链接获取。
-
发表了文章 2024-07-08
【YOLOv8改进 - 注意力机制】HCF-Net 之 PPA：并行化注意力设计 | 小目标
YOLO目标检测专栏介绍了HCF-Net，一种用于红外小目标检测的深度学习模型，它通过PPA、DASI和MDCR模块提升性能。PPA利用多分支特征提取和注意力机制，DASI实现自适应特征融合，MDCR通过多层深度可分离卷积细化空间特征。HCF-Net在SIRST数据集上表现出色，超越其他方法。论文和代码分别在[arxiv.org](https://arxiv.org/pdf/2403.10778)和[github.com/zhengshuchen/HCFNet](https://github.com/zhengshuchen/HCFNet)上。YOLOv8的PPA类展示了整合注意力机制的结构
-
发表了文章 2024-07-08
【YOLOv10改进-注意力机制】HAT(Hybrid Attention Transformer,)混合注意力机制
YOLOv10专栏介绍了一种名为HAT的新方法，旨在改善Transformer在图像超分辨率中的表现。HAT结合通道和窗口注意力，激活更多像素并增强跨窗口信息交互。亮点包括：1) 更多像素激活，2) 有效跨窗口信息聚合，3) 任务特定的预训练策略。HAT模型包含浅层特征提取、深层特征提取和图像重建阶段。提供的代码片段展示了HAT类的定义，参数包括不同层的深度、注意力头数量、窗口大小等。欲了解更多详情和配置，请参考给定链接。
-
发表了文章 2024-07-08
【YOLOv10改进-注意力机制】Polarized Self-Attention: 极化自注意力，双重注意力机制
YOLOv10引入了极化自注意（PSA）块，结合通道和空间注意力，降低信息损失。PSA通过极化过滤保持高分辨率，并用增强处理非线性分布。在2D姿态估计和分割任务上提升1-2点精度，相比基线提升2-4点。代码示例展示了PSA模块如何集成到模型中。更多配置详情见相关链接。
-
发表了文章 2024-07-08
【YOLOv10改进-特征融合篇】EVC(Explicit Visual Center): 中心化特征金字塔模块 | 小目标
YOLO目标检测专栏探讨了对YOLO框架的创新改进，如中心化特征金字塔（CFP）。CFP引入了空间显式视觉中心方案和全局集中特征规范，通过轻量级MLP与并行视觉中心机制强化特征表示，尤其利于小目标检测。在YOLOv5和YOLOX基础上，CFP实现性能提升。相关代码示例展示了EVCBlock的结构，整合了LVCBlock和LightMLPBlock。更多详情和配置参见[YOLO基础解析+创新改进+实战案例](https://blog.csdn.net/shangyanaf/category_12303415.html)。
-
发表了文章 2024-07-08
【YOLOv10改进-注意力机制】LSKNet(Large Selective Kernel Network ):空间选择注意力
YOLOv10专栏聚焦遥感目标检测，提出LSKNet，首个探索大型选择性核的模型。LSKNet利用LSKblock Attention动态调整感受野，处理不同目标的上下文。创新点还包括极化滤波和增强技术，提升信息保留和非线性输出。在HRSC2016等遥感基准上取得SOTA性能。LSKNet代码展示其网络结构，包括多阶段模块和注意力机制。详细配置和任务说明见相关链接。
-
发表了文章 2024-07-08
【YOLOv10改进-注意力机制】CoordAttention： 用于移动端的高效坐标注意力机制
YOLOv10专栏探讨了将位置信息融入通道注意力的创新方法，提出“坐标注意力”机制，改善移动网络性能。该机制通过两个1D特征编码捕捉空间依赖并保持位置细节，生成增强对象表示的注意力图。简单易整合到现有网络如MobileNet，几乎无额外计算成本，且在ImageNet及目标检测等任务中表现优越。实现代码展示了CoordAtt模块的工作流程。更多详情和配置见链接。
-
发表了文章 2024-07-08
【YOLOv10改进-特征融合】YOLO-MS MSBlock : 分层特征融合策略
YOLOv10专栏介绍了YOLO-MS，一个优化多尺度目标检测的高效框架。YOLO-MS通过MS-Block和异构Kernel选择提升性能，平衡了计算复杂度与准确性。它在不依赖预训练的情况下，在COCO上超越同类模型，如YOLO-v7和RTMDet。MS-Block包含不同大小卷积的分支，用于增强特征表示。代码示例展示了MSBlock类的定义，用于处理不同尺度特征。该模块可应用于其他YOLO模型以提升性能。更多详情和配置参见相关链接。
-
发表了文章 2024-07-08
【YOLOv10改进-注意力机制】MSCAAttention多尺度卷积注意力
YOLOv10专栏介绍了一种新的卷积网络架构SegNeXt，它在语义分割任务中展现出优于Transformer模型的效率和效果。SegNeXt通过名为Multi-Scale Convolutional Attention (MSCA)的组件，结合局部信息聚合、多尺度上下文捕获和通道关系模拟，提升了性能。在多个数据集上，SegNeXt以较少参数实现了超过现有SOTA的性能，特别是在Pascal VOC 2012上，以1/10的参数量达到90.6%的mIoU。YOLOv10引入了MSCA模块，用于增强目标检测的上下文关注。相关代码和配置详情可在链接中找到。
-
发表了文章 2024-07-08
【YOLOv10改进-注意力机制】iRMB： 倒置残差移动块 (论文笔记+引入代码)
YOLOv10专栏介绍了融合CNN与Transformer的iRMB模块，用于轻量级模型设计。iRMB在保持高效的同时结合了局部和全局信息处理，减少了资源消耗，提升了移动端性能。在ImageNet等基准上超越SOTA，且在目标检测等任务中表现优秀。代码示例展示了iRMB的实现细节，包括自注意力机制和卷积操作的整合。更多配置信息见相关链接。
-
发表了文章 2024-07-08
【YOLOv10改进-注意力机制】 MSDA：多尺度空洞注意力 (论文笔记+引入代码)
YOLO目标检测专栏探讨了ViT的改进，提出DilateFormer，它结合多尺度扩张注意力（MSDA）来平衡计算效率和关注域大小。MSDA利用局部稀疏交互减少冗余，通过不同头部的扩张率捕获多尺度特征。DilateFormer在保持高性能的同时，计算成本降低70%，在ImageNet-1K、COCO和ADE20K任务上取得领先结果。YOLOv8引入了MultiDilatelocalAttention模块，用于实现膨胀注意力。更多详情及配置见相关链接。
-
发表了文章 2024-07-08
【YOLOv10改进-卷积Conv】 SPD-Conv空间深度转换卷积，处理低分辨率图像和小对象问题
YOLO目标检测专栏探讨了CNN在低分辨率和小目标检测中的局限性，提出SPD-Conv新架构，替代步长卷积和池化层，通过空间到深度层和非步长卷积保持细粒度信息。创新点包括消除信息损失、通用设计和性能提升。YOLOv5和ResNet应用SPD-Conv后，在困难任务上表现优越。详情见YOLO有效改进系列及项目实战目录。
-
发表了文章 2024-07-08
【YOLOv10改进- 特征融合NECK】BiFPN：加权双向特征金字塔网络
YOLOv10专栏探讨了目标检测的效率提升，提出BiFPN，一种带加权和自适应融合的双向特征金字塔网络，优化了多尺度信息传递。EfficientDet系列利用这些创新在效率与性能间取得更好平衡，D7模型在COCO测试集上达到55.1 AP。YOLOv8引入MPDIoU，结合BiFPN学习分支权重，提高检测精度。详情见[YOLOv10 创新改进](https://blog.csdn.net/shangyanaf/category_12712258.html)和相关文章。
-
发表了文章 2024-07-08
【YOLOv10改进-损失函数】Shape-IoU：考虑边框形状与尺度的指标
YOLO目标检测专栏探讨了边框回归损失的创新方法，强调了目标形状和尺度对结果的影响。提出的新方法Shape-IoU关注边框自身属性，通过聚焦形状和尺度提高回归精度。实验显示，该方法提升了检测效果，超越现有技术，在多个任务中达到SOTA。论文和代码已公开。
-
发表了文章 2024-07-08
【YOLOv10改进-卷积Conv】RFAConv：感受野注意力卷积，创新空间注意力
【YOLO目标检测专栏】探索空间注意力局限，提出感受野注意力（RFA）机制，解决卷积核参数共享问题。RFAConv增强大尺寸卷积核处理能力，不增加计算成本，提升网络性能。已在YOLOv8中实现，详情见YOLO目标检测创新改进与实战案例专栏。
-
发表了文章 2024-06-30
【YOLOv8改进 - 注意力机制】NAM：基于归一化的注意力模块，将权重稀疏惩罚应用于注意力机制中，提高效率性能
**NAM: 提升模型效率的新颖归一化注意力模块，抑制非显著权重，结合通道和空间注意力，通过批量归一化衡量重要性。在Resnet和Mobilenet上的实验显示优于其他三种机制。源码见[GitHub](https://github.com/Christian-lyc/NAM)。**
-
发表了文章
2024-11-07
【YOLOv11改进 - 注意力机制】SimAM：轻量级注意力机制，解锁卷积神经网络新潜力
-
发表了文章
2024-11-07
【YOLOv11改进 - 注意力机制】 MSDA（Multi-Scale Dilated Attention）：多尺度空洞注意力
-
发表了文章
2024-11-07
【YOLOv11改进 - 注意力机制】 MHSA：多头自注意力（Multi-Head Self-Attention）
-
发表了文章
2024-11-07
【YOLOv11改进 - 注意力机制】MLCA(Mixed local channel attention):混合局部通道注意力
-
发表了文章
2024-11-07
【YOLOv11改进 - 注意力机制】GAM（Global Attention Mechanism）：全局注意力机制，减少信息损失并放大全局维度交互特征
-
发表了文章
2024-11-07
【YOLOv11改进 - 注意力机制】EMA（Efficient Multi-Scale Attention）：基于跨空间学习的高效多尺度注意力
-
发表了文章
2024-11-07
【YOLOv11改进 - 注意力机制】iRMB： 倒置残差移动块，即插即用的轻量注意力
-
发表了文章
2024-11-07
【YOLOv11改进 - 注意力机制】CoTAttention:上下文转换器注意力
-
发表了文章
2024-11-07
YOLOv11 正式发布！你需要知道什么? 另附：YOLOv8 与YOLOv11 各模型性能比较
-
发表了文章
2024-11-07
YOLO11创新改进系列：卷积，主干 注意力，C3k2融合，检测头等创新机制（已更新100+）
-
发表了文章
2024-11-05
【YOLO11改进 - C3k2融合】C3k2DWRSeg二次创新C3k2_DWR：扩张式残差分割网络，提高特征提取效率和多尺度信息获取能力，助力小目标检测
-
发表了文章
2024-11-05
【YOLO11改进 - C3k2融合】C3k2融合DWRSeg二次创新C3k2_DWRSeg：扩张式残差分割网络，提高特征提取效率和多尺度信息获取能力，助力小目标检测
-
发表了文章
2024-11-01
【YOLOv11改进 - 注意力机制】LSKA(Large Separable Kernel Attention)：大核分离卷积注意力模块
-
发表了文章
2024-10-30
【YOLO11改进 - C3k2融合】C3k2融合YOLO-MS的MSBlock : 分层特征融合策略，轻量化网络结构
-
发表了文章
2024-07-27
【YOLOv8改进 - 注意力机制】c2f结合CBAM：针对卷积神经网络（CNN）设计的新型注意力机制
-
发表了文章
2024-07-27
【YOLOv8改进 - 特征融合】DySample ：超轻量级且高效的动态上采样器
-
发表了文章
2024-07-27
【YOLOv8改进 - 特征融合】CARAFE：轻量级新型上采样算子，助力细节提升
-
发表了文章
2024-07-27
【YOLOv8改进 - 特征融合NECK】 DAMO-YOLO之RepGFPN ：实时目标检测的创新型特征金字塔网络
-
发表了文章
2024-07-27
【YOLOv8改进 - 特征融合】 YOGA iAFF ：注意力机制在颈部的多尺度特征融合
-
发表了文章
2024-07-27
【YOLOv8改进 - Backbone主干】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
