摘要：
本文介绍了目标检测方法Hyper \- YOLO及其核心模块在YOLOv11中的结合应用。为克服传统YOLO模型颈部设计局限，提出超图计算赋能语义收集与散射（HGCSCS）框架，构建超图捕捉高阶相关性；骨干网络引入混合聚合网络（MANet）增强特征提取；颈部采用基于超图的跨层和跨位置表示网络（HyperC2Net），实现多尺度复杂交互。我们将MANet和HyperComputeModule集成进Y 阅读全文
posted @ 2026-03-16 21:28
魔改工程师
阅读(11)
评论(0)
推荐(0)
摘要：
本文介绍了轻量级自调制特征聚合网络SMFANet及其核心模块SMFA在YOLOv11中的结合应用。为解决基于Transformer的图像恢复方法计算开销大、捕获局部细节能力弱的问题，提出SMFA模块，通过EASA分支建模非局部信息，LDE分支捕获局部细节，还提出PCFN精炼特征。我们将SMFA集成进YOLOv11，实验表明，SMFANet系列在重建性能与计算效率上取得更佳平衡，改进后的YOLOv1 阅读全文
posted @ 2026-03-16 21:27
魔改工程师
阅读(5)
评论(0)
推荐(0)
摘要：
本文介绍了轻量级卷积神经网络RepViT及其核心模块RepViTBlock在YOLOv11中的结合应用。RepViT通过融合轻量级ViTs的高效架构设计，对轻量级CNN进行“现代化”改造，采用结构重参数化技术，其核心的RepViT Block分离Token Mixer和Channel Mixer，提高了空间和通道信息利用效率。我们将RepViTBlock集成进YOLOv11，实验表明，RepViT 阅读全文
posted @ 2026-03-16 21:25
魔改工程师
阅读(11)
评论(0)
推荐(0)
摘要：
本文介绍了金字塔稀疏 Transformer（PST）与 YOLOv11 的结合。主流基于注意力的特征融合方法计算复杂度高、实现难度大，作者提出 PST 模块，融合粗到细令牌选择与共享注意力参数机制，在保留空间细节的同时降低计算量。该模块通过层级化注意力机制、动态令牌选择与参数共享，实现高效多尺度特征融合 > **文章目录： [YOLOv11改进大全：卷积层、轻量化、注意力机制、损失函数、Back 阅读全文
posted @ 2026-03-16 21:23
魔改工程师
阅读(3)
评论(0)
推荐(0)
摘要：
# 前言 本文介绍了金字塔稀疏 Transformer（PST）与 YOLOv11 的结合。主流基于注意力的特征融合方法计算复杂度高、实现难度大，作者提出 PST 模块，融合粗到细令牌选择与共享注意力参数机制，在保留空间细节的同时降低计算量。该模块通过层级化注意力机制、动态令牌选择与参数共享，实现高效多尺度特征融合 > **文章目录： [YOLOv11改进大全：卷积层、轻量化、注意力机制、损失 阅读全文
posted @ 2026-03-16 21:22
魔改工程师
阅读(1)
评论(0)
推荐(0)
摘要：
本文介绍了轻量级视觉变换器CloFormer及其核心模块AttnConv在YOLOv11中的结合应用。为解决视觉变换器缩小到移动设备友好尺寸时性能下降的问题，提出CloFormer，其引入AttnConv操作符。AttnConv融合共享权重和上下文感知权重，先通过深度卷积提取局部表示，再用上下文感知权重增强特征，还结合传统注意力减少FLOPs，使模型感知高频和低频信息。我们将AttnConv集成进 阅读全文
posted @ 2026-03-16 21:21
魔改工程师
阅读(3)
评论(0)
推荐(0)
摘要：
本文介绍了Swin Transformer在YOLOv11中的结合，Swin Transformer是一种新型视觉Transformer，可作为计算机视觉通用骨干网络。它通过分层Transformer和移位窗口方案，解决了将Transformer应用于视觉领域时的尺度变化和高分辨率挑战，具有高效性和多尺度建模能力。其创新点包括类似CNN的层次化构建和局部自注意力计算。我们将Swin Transfo 阅读全文
posted @ 2026-03-16 21:19
魔改工程师
阅读(6)
评论(0)
推荐(0)
摘要：
本文介绍了将可逆列网络（RevCol）与YOLOv11相结合的方法。RevCol由子网副本（列）组成，采用多级可逆连接，在前向传播时特征逐渐解耦且保留整体信息。该架构在图像分类、目标检测和语义分割等任务中表现出色，在多个数据集上取得优异成绩，还可引入到Transformer等网络中。我们将RevCol引入YOLOv11，对相关代码进行修改和注册，并配置了yolov11 \- RevCol\.yam 阅读全文
posted @ 2026-03-16 21:18
魔改工程师
阅读(3)
评论(0)
推荐(0)
摘要：
本文介绍了将轻量级卷积神经网络RepViT与YOLOv11相结合的方法。RepViT通过引入轻量级视觉变换器的高效架构设计，提升了移动设备上的计算机视觉任务性能。其采用结构重参数化技术，核心模块RepViT Block分离Token Mixer和Channel Mixer，有效处理空间和通道信息。我们将RepViT引入YOLOv11，对相关代码进行修改和注册，并配置了yolov11 \- RepV 阅读全文
posted @ 2026-03-16 21:16
魔改工程师
阅读(4)
评论(0)
推荐(0)
摘要：
本文介绍了新型部分卷积（PConv）和基于其的FasterNet神经网络家族在YOLOv11中的结合应用。为解决神经网络浮点运算效率低下、内存访问频繁的问题，提出PConv，它能同时减少冗余计算和内存访问，高效提取空间特征。在此基础上构建的FasterNet家族，在多种设备上实现了更快的运行速度，且不牺牲视觉任务的准确性。我们将FasterNet集成进YOLOv11，通过相关代码修改与配置，经实验 阅读全文
posted @ 2026-03-16 21:15
魔改工程师
阅读(10)
评论(0)
推荐(0)
浙公网安备 33010602011771号