本文提出了一种改进YOLO26网络模型的BGBFusion方法，通过融合YCbCr和RGB色彩空间的特征来提升目标检测性能。BGBFusion模块包含相位整合模块(PIM)和交互注意力模块(IAM)，分别在频域和空域实现特征引导，有效增强了边缘纹理并抑制了背景噪声。该方法在雾霾、夜间等低对比度场景下显著降低了漏检/误检率，同时保持较小的计算开销。文章详细介绍了模块结构、原理和实现代码，并提供了两种

🔥本文给大家介绍使用DIFF 模块改进 YOLOv13网络模型，可在特征变换阶段实现空间维与通道维的动态交互建模，使网络能够根据内容自适应地强化目标区域特征并抑制背景干扰。相比传统卷积或 FFN 结构，DIFF 具备更强的表达灵活性和区域感知能力，有助于提升多尺度特征的判别性与稳定性，从而在复杂背景、尺度变化大或目标密集的场景下有效提高 YOLOv13的检测精度、定位准确性和整体鲁棒性。

本文提出了一种改进YOLOv13目标检测网络的DHOGSA（动态HOG感知自注意力）模块。该模块通过显式引入HOG梯度先验，在特征层内实现对目标边缘与轮廓等判别性区域的结构感知建模。DHOGSA利用梯度引导的特征排序与长距离依赖建模，有效增强了对小目标、弱纹理目标及复杂背景目标的检测能力，同时抑制了平滑背景干扰。相比传统注意力机制，DHOGSA具有更强的物理可解释性和跨场景泛化能力，在不显著增加计

本文提出了一种改进YOLOv11目标检测模型的方法——EFM（增强特征模块）。EFM通过多分支结构和膨胀卷积技术，有效增强了模型的多尺度特征提取能力和感受野扩展，提升了对不同尺寸目标的检测性能。该模块包含四个分支，分别采用不同尺寸的卷积核和膨胀率来捕捉多尺度特征，并通过残差连接避免梯度消失问题。实验表明，EFM模块在保持计算效率的同时，显著提升了模型对小物体、大物体和复杂背景的处理能力。文章详细介