Limiiiing-CSDN博客

原创《多模态融合改进》目录一览 | 专栏介绍，多模态的全方位改进，提供多模态模型改进完整项目包-开箱即用

在大家订阅专栏后，便可获得多模态模型改进完整项目包-开箱即用，方便简单

2025-04-15 13:31:46 2086 4

原创 YOLOv12改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

1️⃣ 什么！不知道如何改进模型⁉️ 本专栏所使用并改进的每一个模块均包含详细的模块分析、原理讲解、个人总结、多种改进方式以及完整的修改流程，所有改进100%可直接运行，性价比极高。2️⃣ 找不到合适的模块⁉️ 所有改进点均为近三年顶会，顶刊提出的先进算法，将其融入到中，并进行二次创新，新颖度高，创新度高，能够适应不同的任务场景。3️⃣ 不确定自己改进的步骤、结果是否正确⁉️ 订阅专栏即可进群享受模型训练、模型改进、论文写作、投稿选刊，从入门到论文的各种答疑内容，非常适合新手。4️⃣ 团队内发表数篇SCI论

2025-03-10 22:00:24 6132 12

原创 YOLO训练/写作脚本目录一览 | 涉及标签格式转换、数据扩充、热力图、感受野、精度曲线、数量统计等近百个脚本文件

在大家购买专栏后，便可获得全部的脚本文件。在获取到文件后，只需按照将程序放在个人项目中即可一键运行。

2024-12-30 16:02:54 1848 2

原创 YOLOv8改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

1️⃣本专栏已更新150多种不同的改进方法，所使用并改进的每一个模块均包含详细的模块分析、原理讲解、个人总结、多种改进方式以及完整的修改流程，所有改进100%可直接运行。2️⃣所有改进点均为近三年顶会，顶刊提出的先进算法，将其融入到中，紧跟学术热点，适应不同的任务场景。3️⃣团队内发表数篇SCI论文，熟悉完整的发表流程，订阅专栏即可进群享受模型训练、模型改进、论文写作、投稿选刊，从入门到论文的各种答疑内容。4️⃣专栏内容会持续更新，最近更新时间：2024-12-24。项目介绍在大家购买专栏后，加入学

2024-12-24 13:26:10 5312 3

原创 RT-DETR改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

1️⃣本专栏已更新150多种不同的改进方法，所使用并改进的每一个模块均包含详细的模块分析、原理讲解、个人总结、多种改进方式以及完整的修改流程，所有改进100%可直接运行。2️⃣所有改进点均为近三年顶会，顶刊提出的先进算法，将其融入到中，紧跟学术热点，适应不同的任务场景。3️⃣团队内发表数篇SCI论文，熟悉完整的发表流程，订阅专栏即可进群享受模型训练、模型改进、论文写作、投稿选刊，从入门到论文的各种答疑内容。4️⃣专栏内容会持续更新，最近更新时间：2024-12-4。项目介绍在大家购买专栏后，加入学习

2024-12-03 20:39:23 9399 2

原创 YOLOv11改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

如今各种网络模型更新迭代越来越快，计算机视觉相关的文章也越来越多，多到一些普通，通用的改进点无法达到发表的要求。本专栏正是解决这个问题！如何寻找创新点？为什么要使用这个模块？如何才能提升模型的精度？这是贯穿我们研究始终的问题。创新点在这个专栏中我已经整理好了，这已经省去了大部分时间，但是当我们使用这些新的模块去优化已有的模型，如何才能提升模型的精度，才是我们要达到的最终目标。当然我们可以使用传统的A+B+C的方法去堆积模块，然后是进行大量的实验去排列组合以实现最终的精度提升，这无可厚非。

2024-10-11 15:10:44 22930 126

原创 YOLOv10改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

如何寻找创新点？为什么要使用这个模块？如何才能提升模型的精度？这是贯穿我们研究始终的问题。创新点在这个专栏中我已经整理好了，这已经省去了大部分时间，但是当我们使用这些新的模块去优化已有的模型，如何才能提升模型的精度，才是我们要达到的最终目标。当然我们可以使用传统的A+B+C的方法去堆积模块，然后是进行大量的实验去排列组合以实现最终的精度提升，这无可厚非。

2024-10-11 12:33:51 6612 3

原创 YOLOv9改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

如何寻找创新点？为什么要使用这个模块？如何才能提升模型的精度？这是贯穿我们研究始终的问题。创新点在这个专栏中我已经整理好了，这已经省去了大部分时间，但是当我们使用这些新的模块去优化已有的模型，如何才能提升模型的精度，才是我们要达到的最终目标。当然我们可以使用传统的A+B+C的方法去堆积模块，然后是进行大量的实验去排列组合以实现最终的精度提升，这无可厚非。

2024-09-20 15:24:43 3215

原创【RT-DETR单模态融合改进】普通数据集的双模型融合改进，涉及中期、中后期、后期融合方式的完整配置步骤以及二次改进方案

在网络中间层（骨干网络与颈部网络之间）对多模态特征进行融合。

2025-06-02 11:00:00 12

原创 YOLOv8改进策略【Conv和Transformer】| IJCAI 2024 利用FreqFormer中的SFA 空间 - 频率注意力和CTA 通道转置注意力二次改进C2f

在FreqFormer模型中，SFA（Spatial-Frequency Attention）和CTA（Channel Transposed Attention）模块是关键组成部分，它们针对传统Transformer在图像超分辨率任务中的不足而设计，旨在更好地恢复高频细节，提升模型性能。

2025-06-02 10:00:00 1

原创【RT-DETR多模态融合改进】在前期、中期、中后期、后期多模态融合中添加P6大目标检测层，完整步骤及代码

主题： RT-DETR的多模态融合改进中增加P6大目标检测层方式：分别在前期融合、中期融合、中-后期融合、后期融合中增加P6多模态融合检测层。内容：包含融合方式详解以及完整配置步骤，开箱即用，一键运行。原始模型结构如下：二、有效特征层对应的检测头类别2.1 P3/8 - small检测头原始模型中的对应的检测头主要用于检测相对较小的目标。其特征图大小相对较大，空间分辨率较高。适合检测尺寸大概在到像素左右的目标。2.2 P4/16 - medium检测头这个检测头对应的经过了更多的下采样

2025-06-01 11:00:00 26

原创【RT-DETR多模态融合改进】在前期、中期、中后期、后期多模态融合中添加P2小目标检测层，完整步骤及代码

主题： RT-DETR的多模态融合改进中增加P2小目标检测层方式：分别在前期融合、中期融合、中-后期融合、后期融合中增加P2多模态融合检测层。内容：包含融合方式详解以及完整配置步骤，开箱即用，一键运行。原始模型结构如下：二、有效特征层对应的检测头类别2.1 P3/8 - small检测头原始模型中的对应的检测头主要用于检测相对较小的目标。其特征图大小相对较大，空间分辨率较高。适合检测尺寸大概在到像素左右的目标。2.2 P4/16 - medium检测头这个检测头对应的经过了更多的下采样

2025-06-01 10:00:00 14

原创 RT-DETR改进策略【Conv和Transformer】| IJCAI 2024 利用FreqFormer中的SFA 空间 - 频率注意力二次改进HGBlock、ResNetLayer

本文记录的是利用 SFA 空间 - 频率注意力（Spatial-Frequency Attention）和 CTA 通道转置注意力（Channel Transposed Attention）模块优化 RT-DETR的目标检测网络模型。和源自图像超分辨率领域的模型，前者结合高频和通道信息到自注意力中，后者从通道维度进行自注意力计算，二者结合能够有效处理复杂的图像信息。本文将其应用到中，并进行，使网络能够综合空间、频率和通道等多种维度信息，更好地突出重要特征，从而提升对不同尺度目标和不规则形状目标的特征提取能力

2025-05-31 10:30:00 22

原创 YOLOv8改进策略【卷积层】| AAAI 2025 风车状卷积PConv，实现感受野的高效扩张

本文记录的是利用风车卷积改进YOLOv8的目标检测网络模型。在红外小目标检测任务中，传统卷积方式难以捕捉目标像素的空间特征，影响检测性能，因此需要更适配的卷积方式提升特征提取能力。但不同尺度的红外小目标对特征提取需求有差异，为了更好地满足这些需求，本文利用模块改进，使模型能够更精准地对齐红外小目标像素的高斯空间分布，在增强底层特征提取的同时显著扩大感受野，使网络更好地适应不同尺度红外小目标的检测需求。Pinwheel-shaped Convolution and Scale-based Dynamic Lo

2025-05-31 10:00:00 20

原创【RT-DETR多模态融合改进】（可见光+红外）涉及前期、中期、中后期、后期融合方式的完整配置步骤以及二次改进方案（rtdetr-l版本）

在网络输入阶段将多模态数据直接合并，形成统一的特征表示。

2025-05-30 11:00:00 27

原创【RT-DETR多模态融合改进】（可见光+红外）涉及前期、中期、中后期、后期融合方式的完整配置步骤以及二次改进方案（resnet50版本）

在网络输入阶段将多模态数据直接合并，形成统一的特征表示。

2025-05-30 10:00:00 25

原创【RT-DETR多模态融合改进】（可见光+红外）涉及前期、中期、中后期、后期融合方式的完整配置步骤以及二次改进方案（resnet18版本）

主题： RT-DETR的多模态融合改进（resnet18版本）。方式：前期融合、中期融合、中-后期融合、后期融合。内容：包含融合方式详解和完整的项目包和配置步骤以及二次改进建议，开箱即用，一键运行。定义：在网络输入阶段将多模态数据直接合并，形成统一的特征表示。实现方式：将 RGB（3 通道）与红外（3 通道）图像直接拼接为 6 通道输入，以保留原始模态的细节信息。结构示意图：定义：在网络中间层（骨干网络与颈部网络之间）对多模态特征进行融合。实现方式：每个模态通过独立的骨干网络提取特征，融合时采

2025-05-29 09:41:34 492

原创【RT-DETR多模态融合改进】在多模态项目中配置rtdetr-resnet18、rtdetr-resnet34以及超参数调整

RT-DETR是一种实时端到端的目标检测模型，主要由骨干网络、高效混合编码器和带有辅助预测头的 Transformer 解码器组成。本文对其进行了详细分析，并在项目中配置了结构。

2025-05-29 09:40:55 92

原创 YOLOv12改进策略【Conv和Transformer】| IJCAI 2024 利用FreqFormer中的SFA 空间 - 频率注意力和CTA 通道转置注意力二次改进A2C2f

在FreqFormer模型中，SFA（Spatial-Frequency Attention）和CTA（Channel Transposed Attention）模块是关键组成部分，它们针对传统Transformer在图像超分辨率任务中的不足而设计，旨在更好地恢复高频细节，提升模型性能。

2025-05-28 09:36:29 167

原创 YOLOv11改进策略【Conv和Transformer】| IJCAI 2024 利用FreqFormer中的SFA 空间 - 频率注意力和CTA 通道转置注意力二次改进C3k2

在FreqFormer模型中，SFA（Spatial-Frequency Attention）和CTA（Channel Transposed Attention）模块是关键组成部分，它们针对传统Transformer在图像超分辨率任务中的不足而设计，旨在更好地恢复高频细节，提升模型性能。

2025-05-28 09:35:51 45

原创 YOLOv10改进策略【Conv和Transformer】| IJCAI 2024 利用FreqFormer中的SFA 空间 - 频率注意力和CTA 通道转置注意力二次改进C2fCIB

本文记录的是利用 SFA 空间 - 频率注意力（Spatial-Frequency Attention）和 CTA 通道转置注意力（Channel Transposed Attention）模块优化 YOLOv10 的目标检测网络模型。和源自图像超分辨率领域的模型，前者结合高频和通道信息到自注意力中，后者从通道维度进行自注意力计算，二者结合能够有效处理复杂的图像信息。本文将其应用到中，并进行，使网络能够综合空间、频率和通道等多种维度信息，更好地突出重要特征，从而提升对不同尺度目标和不规则形状目标的特征提取能

2025-05-27 09:39:03 125

原创 YOLOv8改进策略【Backbone/主干网络】| CVPR 2024 替换骨干为InceptionNeXt，将大核深度卷积分解为四个并行分支，平衡速度与精度

InceptionNeXt是一种新型的卷积神经网络，旨在解决大核卷积神经网络在速度和性能之间的平衡问题。它的设计出发点基于对现有模型的分析和改进需求，结构上有独特的创新，这些设计为模型带来了显著的优势。

2025-05-27 09:02:18 96

原创【YOLOv8多模态融合改进】| 改进双HS-FPN颈部结构：高级筛选特征融合金字塔，加强不同模态间的细微特征检测

HS - FPN结构由特征选择模块和特征融合模块组成。特征选择模块中，CA模块先处理输入特征图，经池化激活函数确定各通道权重以过滤特征图DM模块再对不同尺度特征图降维；特征融合模块中，利用SFF机制以高级特征为权重筛选低级特征语义信息后融合，提升模型检测能力。

2025-05-26 13:51:19 181

原创 YOLOv11改进策略【卷积层】| AAAI 2025 风车状卷积PConv，实现感受野的高效扩张

本文记录的是利用风车卷积改进YOLOv11的目标检测网络模型。在红外小目标检测任务中，传统卷积方式难以捕捉目标像素的空间特征，影响检测性能，因此需要更适配的卷积方式提升特征提取能力。但不同尺度的红外小目标对特征提取需求有差异，为了更好地满足这些需求，本文利用模块改进，使模型能够更精准地对齐红外小目标像素的高斯空间分布，在增强底层特征提取的同时显著扩大感受野，使网络更好地适应不同尺度红外小目标的检测需求。Pinwheel-shaped Convolution and Scale-based Dynamic L

2025-05-26 08:34:49 575

原创 YOLOv12改进策略【卷积层】| AAAI 2025 风车状卷积PConv，实现感受野的高效扩张

本文记录的是利用风车卷积改进YOLOv12的目标检测网络模型。在红外小目标检测任务中，传统卷积方式难以捕捉目标像素的空间特征，影响检测性能，因此需要更适配的卷积方式提升特征提取能力。但不同尺度的红外小目标对特征提取需求有差异，为了更好地满足这些需求，本文利用模块改进，使模型能够更精准地对齐红外小目标像素的高斯空间分布，在增强底层特征提取的同时显著扩大感受野，使网络更好地适应不同尺度红外小目标的检测需求。Pinwheel-shaped Convolution and Scale-based Dynamic L

2025-05-25 10:30:00 56

原创 YOLOv10改进策略【卷积层】| AAAI 2025 风车状卷积PConv，实现感受野的高效扩张

本文记录的是利用风车卷积改进YOLOv10的目标检测网络模型。在红外小目标检测任务中，传统卷积方式难以捕捉目标像素的空间特征，影响检测性能，因此需要更适配的卷积方式提升特征提取能力。但不同尺度的红外小目标对特征提取需求有差异，为了更好地满足这些需求，本文利用模块改进，使模型能够更精准地对齐红外小目标像素的高斯空间分布，在增强底层特征提取的同时显著扩大感受野，使网络更好地适应不同尺度红外小目标的检测需求。Pinwheel-shaped Convolution and Scale-based Dynamic L

2025-05-25 10:00:00 23

原创 RT-DETR改进策略【Conv和Transformer】| IJCAI 2024 利用FreqFormer中的CTA 通道转置注意力二次改进HGBlock、ResNetLayer

本文记录的是利用 SFA 空间 - 频率注意力（Spatial-Frequency Attention）和 CTA 通道转置注意力（Channel Transposed Attention）模块优化 RT-DETR的目标检测网络模型。和源自图像超分辨率领域的模型，前者结合高频和通道信息到自注意力中，后者从通道维度进行自注意力计算，二者结合能够有效处理复杂的图像信息。本文将其应用到中，并进行，使网络能够综合空间、频率和通道等多种维度信息，更好地突出重要特征，从而提升对不同尺度目标和不规则形状目标的特征提取能力

2025-05-24 16:18:00 199

原创【YOLOv10多模态融合改进】| 改进双HS-FPN颈部结构：高级筛选特征融合金字塔，加强不同模态间的细微特征检测

HS - FPN结构由特征选择模块和特征融合模块组成。特征选择模块中，CA模块先处理输入特征图，经池化激活函数确定各通道权重以过滤特征图DM模块再对不同尺度特征图降维；特征融合模块中，利用SFF机制以高级特征为权重筛选低级特征语义信息后融合，提升模型检测能力。

2025-05-24 16:15:12 37

原创 YOLOv11改进策略【Backbone/主干网络】| CVPR 2024 替换骨干为InceptionNeXt，将大核深度卷积分解为四个并行分支，平衡速度与精度

InceptionNeXt是一种新型的卷积神经网络，旨在解决大核卷积神经网络在速度和性能之间的平衡问题。它的设计出发点基于对现有模型的分析和改进需求，结构上有独特的创新，这些设计为模型带来了显著的优势。

2025-05-24 16:14:40 185

原创 YOLOv10改进策略【Backbone/主干网络】| CVPR 2024 替换骨干为InceptionNeXt，将大核深度卷积分解为四个并行分支，平衡速度与精度

InceptionNeXt是一种新型的卷积神经网络，旨在解决大核卷积神经网络在速度和性能之间的平衡问题。它的设计出发点基于对现有模型的分析和改进需求，结构上有独特的创新，这些设计为模型带来了显著的优势。

2025-05-23 11:12:30 35

原创 RT-DETR改进策略【Backbone/主干网络】| CVPR 2024 替换骨干为InceptionNeXt，将大核深度卷积分解为四个并行分支，平衡速度与精度

InceptionNeXt是一种新型的卷积神经网络，旨在解决大核卷积神经网络在速度和性能之间的平衡问题。它的设计出发点基于对现有模型的分析和改进需求，结构上有独特的创新，这些设计为模型带来了显著的优势。

2025-05-23 09:09:02 136

原创 YOLOv12改进策略【Backbone/主干网络】| CVPR 2024 替换骨干为InceptionNeXt，将大核深度卷积分解为四个并行分支，平衡速度与精度

InceptionNeXt是一种新型的卷积神经网络，旨在解决大核卷积神经网络在速度和性能之间的平衡问题。它的设计出发点基于对现有模型的分析和改进需求，结构上有独特的创新，这些设计为模型带来了显著的优势。

2025-05-22 10:33:54 563

原创 YOLOv10改进策略【Neck】| CFC和SFC模块，独特的上下文建模和空间特征校准机制，实现精度与效率的平衡优化

本文记录的是基于CFC和SFC模块的YOLOv10模型改进方法研究。和模块提出了创新的特征校准策略，通过定制上下文聚合解决上下文不匹配问题，通过分组校准改善空间特征不对齐问题，能以低额外成本高效提升提取特征的质量。将和应用到网络中，通过其独特的上下文建模和空间特征校准机制，实现精度与效率的平衡优化。Context and Spatial Feature Calibration for Real-Time Semantic Segmentation现有上下文建模方法在聚合上下文时，对所有像素采用固定方式

2025-05-22 10:32:17 119

原创【YOLOv11多模态融合改进】| 改进双HS-FPN颈部结构：高级筛选特征融合金字塔，加强不同模态间的细微特征检测

HS - FPN结构由特征选择模块和特征融合模块组成。特征选择模块中，CA模块先处理输入特征图，经池化激活函数确定各通道权重以过滤特征图DM模块再对不同尺度特征图降维；特征融合模块中，利用SFF机制以高级特征为权重筛选低级特征语义信息后融合，提升模型检测能力。

2025-05-21 08:26:41 165

原创 YOLOv12改进策略【Neck】| CFC和SFC模块，独特的上下文建模和空间特征校准机制，实现精度与效率的平衡优化

本文记录的是基于CFC和SFC模块的YOLOv12模型改进方法研究。和模块提出了创新的特征校准策略，通过定制上下文聚合解决上下文不匹配问题，通过分组校准改善空间特征不对齐问题，能以低额外成本高效提升提取特征的质量。将和应用到网络中，通过其独特的上下文建模和空间特征校准机制，实现精度与效率的平衡优化。Context and Spatial Feature Calibration for Real-Time Semantic Segmentation现有上下文建模方法在聚合上下文时，对所有像素采用固定方式

2025-05-21 08:26:12 288

YOLO v10 s模型的导出文件

YOLO v10 L模型的导出文件

高斯滤波-Python实现

Savitzky-Golay滤波-Python实现

指数加权移动平均平滑-Python实现

中值滤波算法-Python实现

移动平均平滑算法-Python实现

卡尔曼滤波算法-Python实现

yolov10m导出的模型文件

YOLOv10b的.onnx文件

RT-DETR官方最新源码资源

小波卷积论文：Wavelet Convolutions for Large Receptive Fields

社团管理系统

基于java的社团信息管理系统

模型的剪枝和蒸馏，实现方法和步骤