?前言 本文介紹了感受野塊（RFB）模塊在YOLO26中的結(jié)合應(yīng)用。RFB模塊是一種多分支卷積塊，由多分支卷積層和擴(kuò)張池化或卷積層組成，通過模擬多尺度感受野和控制感受野偏心性，增強(qiáng)輕量級CNN模型學(xué)習(xí)到的深層特征，提高…

?# 前言# 前言 本文介紹了新型視覺適配器微調(diào)方法Mona，并將其集成到Y(jié)OLO26中。傳統(tǒng)全參數(shù)微調(diào)成本高、存儲負(fù)擔(dān)重且有過擬合風(fēng)險，現(xiàn)有PEFT方法性能落后。Mona僅調(diào)整5%以內(nèi)的骨干網(wǎng)絡(luò)參數(shù)，在多個視覺任務(wù)中超越全…

?# 前言# 前言 本文介紹了MogaNet在YOLO26中的結(jié)合應(yīng)用。MogaNet是一種新型卷積網(wǎng)絡(luò)架構(gòu)，通過多階卷積、門控操作和通道聚合模塊，在不同交互尺度學(xué)習(xí)信息、動態(tài)選擇特征、強(qiáng)化特征學(xué)習(xí)，克服傳統(tǒng)卷積網(wǎng)絡(luò)局限。我們…

?前言 本文介紹了可編程梯度信息（PGI）和通用高效層聚合網(wǎng)絡(luò)（GELAN），以及SPPELAN模塊在YOLO26中的結(jié)合應(yīng)用。針對深度網(wǎng)絡(luò)數(shù)據(jù)傳輸中的信息丟失問題，提出PGI概念以提供完整輸入信息計算目標(biāo)函數(shù)，獲得可靠梯度更…

SW草圖繪制之倒角和圓角

?前言 本文介紹了在線卷積重參數(shù)化（OREPA）及其在 YOLO26中的結(jié)合。結(jié)構(gòu)重新參數(shù)化能在推理時優(yōu)化模型性能，但訓(xùn)練成本高。OREPA 是兩階段流程，通過引入線性縮放層優(yōu)化在線塊，將復(fù)雜訓(xùn)練塊壓縮為單個卷積，減少訓(xùn)…

?前言 本文介紹了焦點(diǎn)調(diào)制網(wǎng)絡(luò)（FocalNets）及其在YOLO26中的結(jié)合應(yīng)用。FocalNets完全用焦點(diǎn)調(diào)制模塊替代自注意力，該模塊由焦點(diǎn)上下文化、門控聚合和逐元素仿射變換組成，能有效建模視覺中的標(biāo)記交互。它通過局部特…

?前言 本文介紹了Large Separable Kernel Attention (LSKA)模塊及其在YOLO26中的結(jié)合應(yīng)用。LSKA旨在解決Visual Attention Networks (VAN)使用大內(nèi)核卷積時的計算效率問題，通過將2D深度卷積層的卷積核分解為級聯(lián)的水…