YOLOv8创新改进

摘要： 前言 本文介绍了可编程梯度信息（PGI）和通用高效层聚合网络（GELAN），以及SPPELAN模块在YOLO26中的结合应用。针对深度网络数据传输中的信息丢失问题，提出PGI概念以提供完整输入信息计算目标函数，获得可靠梯度更新网络权重；并基于梯度路径规划设计了GELAN架构。我们将SPPELAN模块 阅读全文

摘要： # 前言 本文介绍了Token Statistics Self-Attention（TSSA）机制，并将其集成到YOLO26中。传统自注意力计算复杂度高，TSSA进行了范式转变，基于token统计特征实现高效注意力交互。它通过“算法展开”推导得出，以“最大编码率降低”为目标，实现特征学习。TSSA包 阅读全文

摘要： # 前言 本文介绍了多尺度线性注意力机制MSLA，并将其集成进YOLO26。现有基于CNN和Transformer的医学图像分割方法存在局限性，为解决这些问题，我们提出了MSLAU-Net架构，其中MSLA通过并行多尺度特征提取和低复杂度线性注意力计算，捕获细粒度局部细节与全局长程依赖。我们将MSL 阅读全文

摘要： 前言 本文介绍了动态混合层（DML），并将相关改进模块集成进YOLO26。DML是SRConvNet核心组件，用于解决轻量级图像超分辨率任务中特征捕捉和通道适应性问题。它通过通道扩展拆分、多尺度动态深度卷积、通道洗牌与融合等步骤，实现多尺度局部信息聚合和通道自适应增强。DML的动态卷积具有内容感知适 阅读全文

摘要： 前言 本文介绍了Token Statistics Self-Attention（TSSA）机制，并将其集成到YOLOv11中。传统自注意力计算复杂度高，TSSA进行了范式转变，基于token统计特征实现高效注意力交互。它通过“算法展开”推导得出，以“最大编码率降低”为目标，实现特征学习。TSSA包含 阅读全文

摘要： 前言 本文提出部分注意力卷积（PATConv）机制，并将其集成到YOLOv11中。传统神经网络中，卷积计算密集，注意力机制全局计算冗余，此前的“部分卷积”会丢失未计算通道的特征价值。PATConv通过“通道拆分 - 并行处理 - 结果拼接”的逻辑，给不同通道分配“擅长的任务”，兼顾局部与全局特征。基 阅读全文

摘要： 前言 本文提出信息整合注意力（IIA）机制，并将其集成到YOLOv11中用于遥感图像语义分割。传统CNN难捕捉全局信息，Transformer计算复杂，现有基于Mamba的方法未充分考虑局部信息。IIA利用图像特征空间位置不变性，先融合编解码器特征，再从高度和宽度方向提取序列信息，生成注意力权重因子 阅读全文

摘要： 前言 本文提出信息整合注意力（IIA）机制，并将其集成到YOLOv11中用于遥感图像语义分割。传统CNN和Transformer方法分别存在难以捕捉全局信息和计算复杂的问题，现有基于Mamba的方法也未充分考虑局部信息。IIA机制利用图像特征空间位置不变性，通过基础信息融合、双方向序列提取和动态权重 阅读全文

摘要： 前言 本文提出了用于低分辨率图像分割的MaskAttn - UNet框架，并将其核心的掩码注意力机制集成到YOLOv11中。传统U - Net类模型难以捕捉全局关联，Transformer类模型计算量大，而掩码注意力机制通过可学习的掩码，让模型选择性关注重要区域，融合了卷积的局部效率和注意力的全局视 阅读全文

摘要： 前言 本文提出了用于低分辨率图像分割的MaskAttn - UNet框架，并将其核心的掩码注意力机制集成到YOLOv11中。传统U - Net类模型难以捕捉全局关联，Transformer类模型计算量大，而掩码注意力机制通过可学习的掩码，让模型选择性关注重要区域，融合了卷积的局部效率和注意力的全局视 阅读全文