摘要：
本文介绍了无锚实例分割方法CenterMask及改进骨干网络VoVNetV2，重点阐述了EffectiveSE（eSE）模块及其在YOLOv11中的结合应用。eSE是改进的通道注意力模块，基于SE模块，通过去除维度压缩和简化结构，减少计算复杂性与信息丢失。该模块先对输入特征图全局平均池化，再经全连接层和sigmoid激活函数生成注意力权重，最后应用到特征图。我们将eSE模块集成进YOLOv11，替 阅读全文
posted @ 2026-05-11 22:16
魔改工程师
阅读(42)
评论(0)
推荐(0)
摘要：
本文介绍了Efficient Channel Attention（ECA）模块及其在YOLOv11中的结合应用。ECA模块是一种新颖的通道注意力机制，通过快速的1D卷积操作生成通道注意力，在不减少通道维度的情况下捕获跨通道交互，且1D卷积核大小可根据通道维度自适应确定。该模块以轻量方式实现有效通道注意力，能在降低模型复杂性的同时保持性能。我们将ECA模块集成进YOLOv11。实验表明，ECA模块在 阅读全文
posted @ 2026-05-11 22:13
魔改工程师
阅读(135)
评论(0)
推荐(0)
摘要：
本文介绍了双视觉Transformer（Dual-ViT）架构，并将其引入YOLOv11以降低自注意力机制的计算成本。Dual-ViT包含语义和像素两个路径，语义路径将token向量压缩为全局语义，像素路径利用该语义学习像素级细节，二者并行传播增强自注意力信息，在不显著降低准确性的情况下减少计算复杂度。实验表明，Dual-ViT在ImageNet等数据集上表现优异。我们将Dual-ViT相关代码集 阅读全文
posted @ 2026-05-11 22:11
魔改工程师
阅读(19)
评论(0)
推荐(0)
摘要：
本文介绍了双重注意力机制（Double Attention）及其在YOLOv11中的结合应用。双重注意力机制由特征聚合和特征分配两个步骤组成，旨在有效捕获输入数据的全局特征，使后续卷积层能高效访问这些特征。该机制通过二阶注意力池化和注意力向量分配，让模型能更好地利用全局信息。其组件易于采用，可方便插入现有深度神经网络。我们将双重注意力块集成进YOLOv11。 > **文章目录： [YOLOv11改 阅读全文
posted @ 2026-05-11 22:09
魔改工程师
阅读(24)
评论(0)
推荐(0)
摘要：
本文介绍了 DiffCLIP，一种将差分注意力机制集成到 CLIP 架构的视觉 - 语言模型，并将其应用于 YOLOv11。差分注意力机制通过计算两个互补注意力分布的差值，抵消无关信息干扰。单头差分注意力将 Q 和 K 拆分，分别计算注意力分布后做差值融合；多头差分注意力则每个头独立执行差分操作后聚合输出。关键参数 λ 可动态调控噪声抵消强度。我们将 DiffAttention 代码集成到 YOL 阅读全文
posted @ 2026-05-11 22:07
魔改工程师
阅读(18)
评论(0)
推荐(0)
摘要：
本文介绍了可变形大核注意力（D-LKA Attention）及其在YOLOv11中的结合。D-LKA Attention是一种简化的注意力机制，采用大卷积核利用体积上下文信息，通过可变形卷积灵活调整采样网格，适应多样数据模式。它有2D和3D版本，3D版本在跨深度数据理解上表现出色，共同构成了D-LKA Net架构。我们将D-LKA Attention集成进YOLOv11，在模型的检测头部分引入de 阅读全文
posted @ 2026-05-11 22:04
魔改工程师
阅读(31)
评论(0)
推荐(0)
摘要：
本文介绍了将双坐标注意力特征提取（DCAFE）模块与YOLOv11相结合的方法。DCAFE模块采用“并行坐标注意力+双池化融合”设计，通过平均池化和最大池化并行支路捕获特征，经通道自适应调整生成注意力权重，增强特征表达。我们将DCAFE模块引入YOLOv11，对相关代码进行修改和注册，并配置了yolov11 - DCAFE.yaml文件。 > **文章目录： [YOLOv11改进大全：卷积层、轻量 阅读全文
posted @ 2026-05-11 22:02
魔改工程师
阅读(22)
评论(0)
推荐(0)
摘要：
本文介绍了Deformable Attention Transformer（DAT）及其在YOLOv11中的结合应用。DAT是一种用于图像分类和密集预测任务的通用主干模型，其核心是可变形自注意力模块，通过数据依赖的位置选择、灵活的偏移学习、全局键共享和空间自适应机制，解决了传统Transformer在扩大感受野时带来的内存、计算成本高和特征受无关部分影响等问题。该模块通过对键和值进行DCN偏移后再 阅读全文
posted @ 2026-05-11 22:00
魔改工程师
阅读(36)
评论(0)
推荐(0)
摘要：
本文介绍了通道先验卷积注意力（CPCA）机制及其在YOLOv11中的结合应用。CPCA结合通道注意力与空间注意力，通过多尺度深度可分离卷积模块，有效提取空间关系并保留通道先验。通道注意力学习各通道重要性，空间注意力捕捉特征图位置关系。我们将CPCA模块集成进YOLOv11，替换部分原有模块。实验表明，基于CPCA的CPCANet在医学图像分割任务中，用较少计算资源实现了优于先进算法的分割性能，展现 阅读全文
posted @ 2026-05-11 21:59
魔改工程师
阅读(24)
评论(0)
推荐(0)
摘要：
本文介绍了Contextual Transformer（CoT）块及其在YOLOv11中的结合应用。大多数现有Transformer风格架构设计未充分利用邻近键之间的上下文信息，而CoT块通过3×3卷积对输入键进行上下文编码得到静态表示，将编码后的键与输入查询连接，经两个连续的1×1卷积学习动态多头注意力矩阵，与输入值相乘得到动态表示，最终融合二者作为输出。基于此块构建的CoTNet可替换ResN 阅读全文
posted @ 2026-05-11 21:58
魔改工程师
阅读(12)
评论(0)
推荐(0)
浙公网安备 33010602011771号