YOLOv11改进策略【卷积层】| CVPR 2024：LEGM 局部特征嵌入全局特征提取 适用于低质量图像特征提取任务

最新推荐文章于 2025-08-01 19:01:45 发布
最新推荐文章于 2025-08-01 19:01:45 发布
阅读量145 收藏
点赞数 5
CC 4.0 BY-SA版权
分类专栏： YOLOv11改进专栏 文章标签： YOLO 计算机视觉 目标检测 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_42591591/article/details/149786771

一、本文介绍

本文记录的是利用LEGM 模块优化YOLOv11的目标检测网络模型。

LEGM（Local Feature-Embedded Global Feature Extraction Module，局部特征嵌入的全局特征提取模块） 的设计旨在，增强特征表示能力，同时捕捉局部细节与全局依赖。本文将深入研究LEGM 的原理，并将其应用到YOLOv11中，通过融合局部与全局特征、引入深度信息，增强特征表示能力。

专栏目录：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

专栏地址：YOLOv11改进专栏——以发表论文的角度，快速准确的找到有效涨点的创新点！

文章目录

了解本专栏 订阅专栏 解锁全文
YOLOv9改进策略 | Conv篇 | CVPR2024最新DynamicConv替换下采样（解决低FLOPs陷阱）
Snu77的博客
04-22 2520
本文给大家带来的改进机制是CVPR2024的最新改进机制其是CVPR2024的最新改进机制，这个论文中介绍了一个名为ParameterNet的新型设计原则，它旨在在大规模视觉预训练模型中增加参数数量，同时尽量不增加浮点运算（FLOPs），所以本文的DynamicConv被提出来了，使得网络在保持低FLOPs的同时增加参数量，从而允许这些网络从大规模视觉预训练中获益，本文内容包含详细教程 + 代码 + 原理介绍。欢迎大家订阅我的专栏一起学习YOLO！
YOLOv8改进 | Conv篇 | CVPR2024最新DynamicConv替换下采样（包含C2f创新改进，解决低FLOPs陷阱）
Snu77的博客
04-18 6134
动态卷积（Dynamic Convolution）是《DynamicConv.pdf》中提出的一种关键技术，旨在增加网络的参数量而几乎不增加额外的浮点运算（FLOPs）。1. 动态卷积的定义：动态卷积通过对每个输入样本动态选择或组合不同的卷积核（称为"experts"），来处理输入数据。这种方法可以视为是对传统卷积操作的扩展，它允许网络根据输入的不同自适应地调整其参数。
YOLOv8改进 | Conv篇 | 利用CVPR2024-DynamicConv提出的GhostModule改进C2f（全网独家首发）
Snu77的博客
04-19 6398
动态卷积（Dynamic Convolution）是《DynamicConv.pdf》中提出的一种关键技术，旨在增加网络的参数量而几乎不增加额外的浮点运算（FLOPs）。主要原理：动态卷积通过对每个输入样本动态选择或组合不同的卷积核（称为"experts"），来处理输入数据。这种方法可以视为是对传统卷积操作的扩展，它允许网络根据输入的不同自适应地调整其参数。
YOLOv8改进有效系列目录 | 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制
热门推荐
Snu77的博客
12-30 16万+
Hello，各位读者们好，本专栏自开设两个月以来已经更新改进教程120+余篇其中包含C2f、主干、检测头、注意力机制、Neck多种结构上创新，也有损失函数和一些细节点上的创新，订阅本专栏以后你不仅可以收获跟专栏的阅读权限，同时可以进Qq群，里面包含集成我所有创新的YOLO最新目录，和我本人录制的视频讲解教程，如果你想要在YOLOv8系列收获一篇论文，我相信订阅本专栏后你一定会有所收获~YOLOv8改进有效系列目录。
YOLOv11融合[CVPR2024]Starnet中的star block特征提取模块
深度学习炼丹师，偶尔分享炼丹技术!
12-14 2481
论文链接：https://arxiv.org/abs/2403.19967论文速览：最近的研究引起了人们对网络设计中 “star operation”（元素乘法）尚未开发的潜力的关注。虽然直观的解释比比皆是，但其应用背后的基本原理在很大程度上仍未得到探索。我们的研究试图揭示星形操作在不扩大网络的情况下将输入映射到高维、非线性特征空间的能力——类似于内核技巧。我们进一步介绍了 StarNet，一个简单而强大的原型，在紧凑的网络结构和高效的预算下展示了令人印象深刻的性能和低延迟。
YOLOv11融合特征细化前馈网络 FRFN[CVPR2024]及相关改进思路
深度学习炼丹师，偶尔分享炼丹技术!
11-08 2757
论文速览：基于 transformer 的方法在图像恢复任务中取得了有希望的性能，因为它们能够对长距离依赖性进行建模，这对于恢复清晰图像至关重要。尽管不同的高效注意力机制设计已经解决了与使用 transformer 相关的密集计算，但它们通常涉及冗余信息和来自不相关区域的嘈杂交互，因为要考虑所有可用的标记。在这项工作中，作者提出了一种自适应稀疏变压器 （AST） 来减轻不相关区域的噪声交互，并消除空间和通道域中的特征冗余。
YOLOv8改进 | SPPF | 具有多尺度带孔卷积层的ASPP【CVPR2018】
kay_545
06-24 2104
yolov8改进， yolov8. ASPP
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
Limiiiing的博客
03-10 8982
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
YOLOv11改进策略【模型轻量化】| 替换骨干网络 CVPR-2024 StarNet，超级精简高效的轻量化模块
Limiiiing的博客
10-20 3835
本文记录的是基于StarNet的YOLOv11轻量化改进方法研究。StarNet设计简洁，没有复杂的设计和精细调整的超参数，仅是一个 4 阶段的分层架构。并且其中能够在低维空间计算的同时考虑极高维的特征这一特性，进而提高模型精度。本文在替换骨干网络中配置了原论文中的starnet_s1starnet_s2starnet_s3和starnet_s4七种模型，以满足不同的需求。
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
Limiiiing的博客
10-11 2万+
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。
YOLOv11改进策略【卷积层】| CVPR-2024 PKI Module 获取多尺度纹理特征，适应尺度变化大的目标
Limiiiing的博客
10-15 1594
PKI Module是。
YOLOv11改进 | Conv篇 | CVPR2024最新DynamicConv替换下采样（解决低FLOPs陷阱，含二次创新C3k2机制）
Snu77的博客
10-13 3795
本文给大家带来的改进机制是CVPR2024的最新改进机制其是CVPR2024的最新改进机制，这个论文中介绍了一个名为ParameterNet的新型设计原则，它旨在在大规模视觉预训练模型中增加参数数量，同时尽量不增加浮点运算（FLOPs），所以本文的DynamicConv被提出来了，使得网络在保持低FLOPs的同时增加参数量，从而允许这些网络从大规模视觉预训练中获益，下面的图片为V11n和利用了DynamicConv的训练精度对比图本文内容包含详细教程 + 代码 + 原理介绍。
YOLOv11改进 | Conv篇 | 利用CVPR2024-DynamicConv提出的GhostModule辅助C3k2进行特征融合（全网独家首发）
Snu77的博客
10-16 3051
本文给大家带来的改进机制是CVPR2024的改进机制其是CVPR2024的最新改进机制，这个论文中介绍了一个名为ParameterNet的新型设计原则，它旨在在大规模视觉预训练模型中增加参数数量，同时尽量不增加浮点运算（FLOPs），所以本文的DynamicConv被提出来了，使得网络在保持低FLOPs的同时增加参数量，在其提出的时候它也提出了一个新的模块hostModule，我勇其魔改C2f从而达到创新的目的，从而允许这些网络从大规模视觉预训练中获益。欢迎大家订阅我的专栏一起学习YOLO！
YOLOv8结构深度优化指南：融入注意力机制与定制化模块提升检测性能
QQ_778132974的博客
07-31 103
注意力机制增强特征选择能力优化C2f结构提升特征提取效率动态卷积适应复杂场景变化双向特征金字塔实现多尺度深度融合解耦检测头优化任务分配实验表明，改进模型在COCO数据集上mAP提升7.0%，同时保持实时检测速度。这些模块化改进方案可根据实际需求灵活组合，为不同应用场景提供定制化解决方案。代码实现已开源：https://github.com/username/enhanced-yolov8。
【YOLO系列】YOLOv11详解：模型结构、损失函数、训练方法及代码实现
一碗白开水一
08-01 596
YOLOv11在目标检测领域实现重大突破，通过动态骨干网络(Dyna-Backbone)和FPN++架构，在保持高帧率(≥60FPS)的同时提升小目标检测精度(AP_S提升5.6%)。创新采用CIoU++损失函数和类别平衡Focal Loss，结合Mosaic-Plus数据增强，参数量减少18%至6.5M。实验显示，该模型在COCO数据集上实现更高mAP，特别适合移动端部署，Jetson Xavier平台能耗比优化至3.2W·ms⁻¹，支持目标检测、实例分割等多任务场景。关键创新包括动态深度调整和双向特征金
YOLOv11改进：添加DAttention (DAT)与二次创新C2PSA注意力机制
weixin_39818775的博客
07-28 933
YOLOv11是YOLO系列的最新演进版本，继承了YOLO系列实时目标检测的优势，同时在精度和速度上进行了进一步优化。DAttention (Deformable Attention)通过可变形卷积的思想改进传统注意力机制，能更灵活地适应不同形状和尺寸的目标。C2PSA (Cross-Channel Cross-Position Self-Attention)是一种创新的注意力机制，通过交叉通道和交叉位置的注意力计算，显著提升了特征表示能力。
YOLO V11 + BotSort行人追踪定位项目
最新发布
qq_48496633的博客
08-01 447
基于yolo11+botsort的实时多目标追踪定位停留分析
YOLOv11 环境配置全流程 | 从零开始搭建训练与推理环境
shrgegrb的博客
07-31 812
YOLOv11环境配置与训练全流程指南 本文详细介绍了YOLOv11目标检测模型的环境配置、训练与推理全流程。内容包括： 环境要求：列出GPU、CUDA、Python等组件的版本要求，提供快速检查脚本 Windows配置： CUDA 12.6和cuDNN 8.9.7安装步骤 使用Conda创建隔离环境 PyTorch GPU版本安装方法 IDE环境配置 Linux配置：提供Ubuntu 22.04下的CUDA、cuDNN安装命令和Conda环境搭建 Docker方案：提供一键式容器化部署命令 训练实战： 数
YOLO12 改进、魔改｜IDC模块，通过将大核卷积分解为高效并行的小核与带状核分支，提高多尺度感知能力。
qq_64693987的博客
07-31 651
摘要：针对大核卷积网络在GPU上内存访问成本高、吞吐量下降的问题，研究者提出InceptionNeXt模块，通过多分支并行结构（3×3小核、正交带状核和恒等映射）分解大核卷积，在保持大感受野的同时提升计算效率。该方法适用于目标检测和语义分割任务，能平衡全局上下文与局部细节捕捉，并已集成到YOLOv12中，通过改进特征提取结构实现速度与精度的双重提升。具体实现包括代码结构修改、模型配置调整及训练流程优化。（149字）
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Limiiiing

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值