新闻详情

新闻详情

首页 / 资讯中心 / 详情

YOLOv11涨点改进| CVPR 2026顶会 | 独家注意力改进篇| 引入WACGA小波感知卷积门控注意力,适合图像恢复、医学图像分割、目标检测、细粒度图像分类任务,有效涨点

发布时间:2026/11/13 10:36:58来源:尧图网络
YOLOv11涨点改进| CVPR 2026顶会 | 独家注意力改进篇| 引入WACGA小波感知卷积门控注意力,适合图像恢复、医学图像分割、目标检测、细粒度图像分类任务,有效涨点
一、本文介绍🔥本文给大家介绍使用 WACGA小波感知卷积门控注意力 改进YOLOv11网络模型,WACGA可以概括为一种利用多方向小波频率信息对自注意力特征进行动态门控的细节增强模块。其工作重点不是完成下采样,而是在特征已经进入较深层网络后,通过小波分解获得低频结构以及水平、垂直、对角高频信息,再针对不同频率子带进行方向性增强,并将融合后的频率信息转化为门控权重,对自注意力输出进行选择性强化。这样既能够保持Transformer对全局关系的建模能力,又能够增强对边缘、细线、尖角和纹理等局部高频结构的表达。🔥欢迎订阅我的专栏、带你学习使用最新-最前沿-独家YOLOv11创新改进!🔥YOLOv11专栏改进目录:YOLOv11改进专栏包含卷积、主干网络、各种注意力机制、检测头、损失函数、Neck改进、小目标检测、二次创新模块、C2PSA/C3k2二次创新改进、全网独家创新等创新点改进全新YOLOv11-发论文改进专栏链接:全新YOLOv11创新改进高效涨点+永久更新中(至少500+改进)+高效跑实验发论文本文目录一、本文介绍二、WACGA小波感知卷积门控注意力介绍2.1 WACGA小波感知卷积门控注意力结构图2.2 WACGA小波感知卷积门控注意力模块的作用:2.3 WACGA小波感知卷积门控注意力模块的原理2.4 WACGA小波感知卷积门控注意力模块的优势三、完整核心代码四、手把手教你配置模块和修改tasks.py文件1.首先在ultralytics/nn/newsAddmodules创建一个.py文件2.在ultralytics/nn/newsAddmodules/__init__.py中引用3.修改tasks.py文件五、创建涨点yaml配置文件🚀创新改进1🔥: yolov11n_WACGA.yaml🚀创新改进2🔥: yolov11n_C3k2_WACGA.yaml🚀创新改进3🔥: yolov11n_C2WACGA.yaml六、正常运行二、WACGA小波感知卷积门控注意力介绍摘要:古汉字蕴含着深厚的文化与学术价值,然而其图像常因年代久远而遭受侵蚀、磨损、断裂或噪点污染,导致笔画模糊或边缘缺失。尽管基于深度学习的图像修复技术已取得显著进展,但古汉字复杂的结构与独特的构型仍带来诸多挑战。具体而言,噪点与精细笔画之间的深度交织使得在去噪与保留细微笔画细节之间寻求平衡变得尤为困难;精确分离这两类成分至今仍是关键性难题,因为传统方法难以有效实现二者分离。为解决上述问题,我们提出了一种名为 LWTformer 的新型架构,该架构整合了可学习的二维离散小波变换(2D-DWT)技术用于古汉字图像修复。我们的核心贡献在于引入了一种可学习的小波下采样模块(WaveDown),该模块能将古汉字图像精确地分解为保留整体字符结构的低频近似分量,以及捕捉独特笔画特征的高频细节分量。此外,我们还引入了空间增强注意力机制(SEA)与小波感知卷积门控注意力机制(WACGA),以更有效
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/14 3:51:47

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/12 23:59:09

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/13 10:09:00

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/13 13:31:48

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/13 16:11:45

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/14 3:51:43

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉