摘要：
本文介绍了基于混合注意力的Transformer架构——HAT（Hybrid Attention Transformer），作为图像超分辨率领域的创新解决方案。该方法通过结合通道注意力和窗口自注意力机制，有效激活更多输入像素以获取更精细的重建效果。特别是新引入的重叠交叉注意力模块（OCAB）增强了相邻窗口特征间的信息交互，克服了传统Transformer模型窗口间信息隔离的限制。我们将HAT模块成 阅读全文
posted @ 2026-05-11 22:36
魔改工程师
阅读(33)
评论(0)
推荐(0)
摘要：
本文介绍了局部自注意力机制（HaloAttention）在YOLOv11中的结合应用。局部自注意力通过关注输入数据局部区域来捕捉特征关系，能降低计算复杂度、增强局部特征捕捉，且可与CNN结合。其计算时先定义局部窗口，再计算注意力权重并加权求和。我们将HaloAttention集成到YOLOv11的检测头中，并进行相关注册和配置。实验表明，改进后的模型在目标检测和实例分割等任务中表现更佳，证明了自注 阅读全文
posted @ 2026-05-11 22:34
魔改工程师
阅读(37)
评论(0)
推荐(0)
摘要：
本文介绍了高斯上下文变换器（GCT）模块在YOLOv11中的结合应用。GCT是一种新型通道注意力模块，其核心假设全局上下文与注意力激活关系预先确定，通过全局上下文聚合、归一化和高斯上下文激励三个操作实现。它有参数自由的GCT - B0和可学习标准差的GCT - B1两个版本。我们将GCT集成到YOLOv11的检测头中，并进行相关注册和配置。实验表明，GCT能在ImageNet和MS COCO等基准 阅读全文
posted @ 2026-05-11 22:33
魔改工程师
阅读(31)
评论(0)
推荐(0)
摘要：
本文介绍了全局上下文块（GC Block）及其在YOLOv11中的集成应用。GC Block是GCNet的核心组件，结合了NLNet和SENet的优势，通过上下文建模、特征变换和特征融合三个模块，高效捕获特征图中的全局依赖关系，在提高模型性能的同时降低计算成本。我们将GC Block引入YOLOv11，在检测头部分的不同尺度特征图上应用该模块。实验表明，改进后的YOLOv11在目标检测任务中表现良 阅读全文
posted @ 2026-05-11 22:31
魔改工程师
阅读(15)
评论(0)
推荐(0)
摘要：
本文介绍了Gather-Excite（GE）框架及其在YOLOv11中的应用。GE框架旨在增强卷积神经网络（CNNs）对上下文的利用能力，引入gather和excite操作符，解决传统CNN捕捉长距离依赖关系的局限性。gather操作符聚合特征响应，excite操作符重新分配信息。该框架轻量且易于整合到现有CNN架构中。我们将GE操作符引入YOLOv11，在检测头部分的不同尺度特征图上应用。实验表 阅读全文
posted @ 2026-05-11 22:28
魔改工程师
阅读(26)
评论(0)
推荐(0)
摘要：
本文介绍了全局注意力机制（Global Attention Mechanism）及其在YOLOv11中的结合应用。该机制旨在增强深度神经网络在计算机视觉任务中的性能，通过保留通道和空间信息来增强跨维度交互。它结合3D置换与多层感知器实现通道注意力，同时包含卷积空间注意力子模块，减少信息损失并放大全局维度交互特征。通过元素级乘法，通道和空间注意力图与输入特征图交互。 > **文章目录： [YOLOv 阅读全文
posted @ 2026-05-11 22:27
魔改工程师
阅读(39)
评论(0)
推荐(0)
摘要：
本文介绍了Focused Linear Attention技术及其在YOLOv11中的集成。该技术旨在解决传统自注意力机制计算复杂的问题，通过引入映射函数提高焦点能力，利用秩恢复模块保持特征多样性，且具有线性复杂度。我们将Focused Linear Attention模块引入YOLOv11，在检测头部分的不同尺度特征图上应用该模块。通过实验训练改进后的模型，有望提升YOLOv11在目标检测任务中 阅读全文
posted @ 2026-05-11 22:25
魔改工程师
阅读(40)
评论(0)
推荐(0)
摘要：
本文提出了卷积模拟自注意力网络（ESC），并将其与YOLOv11相结合。ESC是针对图像超分辨率任务设计的轻量化网络，核心为ConvAttn模块，通过共享大核与动态核模拟自注意力的长程建模和实例依赖加权。同时，首次将Flash Attention集成到轻量化超分辨率领域，扩大自注意力窗口尺寸，降低延迟和内存占用。我们将C3k2_ESC模块集成进YOLOv11，在相关数据集上进行实验，结果表明，该结 阅读全文
posted @ 2026-05-11 22:22
魔改工程师
阅读(30)
评论(0)
推荐(0)
摘要：
本文介绍了高效多尺度注意力（EMA）模块及其在YOLOv11中的结合应用。现有注意力机制在通道维度缩减时可能影响深度视觉表示，EMA模块通过结合通道和空间信息、采用多尺度并行子网络结构等创新点，实现了高效的多尺度注意力机制。其基本原理包括通道和空间注意力结合、多尺度并行子网络设计等。在多个流行基准数据集上的实验表明，该模块能有效提高特征表示能力。我们将EMA集成进YOLOv11，实验证明改进后的模 阅读全文
posted @ 2026-05-11 22:21
魔改工程师
阅读(286)
评论(0)
推荐(0)
摘要：
本文介绍了高效局部注意力（ELA）机制及其在YOLOv11中的结合。ELA旨在解决传统注意力机制在利用空间信息时的不足，通过“条带池化”提取空间信息，使用一维卷积和组归一化进行特征增强，生成空间注意力图，具有高效、轻量化和泛化能力强等优势。我们精心设计了三个超参数，形成四个不同版本以适应不同任务。将ELA集成进YOLOv11，在检测头部分引入该模块。实验表明，ELA在图像分类、目标检测和语义分割任 阅读全文
posted @ 2026-05-11 22:19
魔改工程师
阅读(34)
评论(0)
推荐(0)
浙公网安备 33010602011771号