本文提出TDCNet，一种创新的移动红外小目标检测网络。核心贡献包括：1）提出时间差分卷积重参数化模块(TDCR)，首次将时间差分与3D卷积融合为可学习的统一表示，能显式捕获多尺度运动上下文；2）设计TDC引导的时空注意力机制(TDCSTA)，通过交叉注意力增强目标区域特征；3）构建IRSTD-UAV数据集(15,106帧)。实验表明，该方法在复杂背景下显著优于现有技术，F1分数达96.74%，平

创新点在不同数据集表现是不一致的，针对创新点在自己数据集不涨点的问题，可以将创新点放在网络不同位置进行验证，而不是一味的放弃换来换去的思路。

在DOTA-v1数据集上，两模型mAP@0.5分别提升1.3%和1.8%，mAP@0.5:0.95提升0.3%和0.6%，验证了各模块的有效性与协同增益。

今天我就结合工业缺陷检测场景，展示一套低代码落地路径：YOLO粗定位 + 微调SAM精分割 + OpenClaw自动调度，让标注员从“动手画”变成“动口验收”。

30分钟搞定！YOLOv8+OpenClaw+腾讯云，手把手教你打造工业缺陷检测AI员工

本文提出COTONET算法及CONDIS++数据集，用于棉花生长阶段检测。核心创新包括：1)构建首个涵盖棉铃6个生长阶段的高质量数据集CONDIS++；2)提出定制化COTONET架构，基于YOLO11集成SEConvBlock、SimAM与PHAM注意力机制，增强多尺度特征提取；3)采用CARAFE上采样、SCDown轻量下采样及SIoU损失优化定位精度。实验表明，该模型在CONDIS++上实现

基于YOLO11的中国软件杯大学生软件设计大赛检测，阐述了整个数据制作和训练可视化过程

30分钟搞定！YOLOv8+OpenClaw+腾讯云，手把手教你打造工业缺陷检测AI员工

一种基于YOLOv10的高精度光伏板缺陷检测算法，魔改SPPF_attention+一种新颖的基于内容引导注意力(CGA)的混合融合，mAP50从原始的0.838提升至0.868

这篇论文所提出的 HierLight-YOLO 框架——特别是其分层扩展路径聚合网络（HEPAN） 和轻量级模块（IRDCB/LDown）——对于在无人机影像等场景中解决小目标检测和边缘设备部署的难题，具有明确且重要的参考价值。