本文提出ACE模块作为语义-结构融合模块（SSFM）的核心组件，旨在解决视觉任务中浅深层特征融合的维度异构问题。ACE采用渐进式维度适配和轻量化特征融合策略，通过逐阶段的空间压缩与通道扩展实现特征对齐，并使用逐元素相加的融合方式保持结构信息完整性。该模块可灵活嵌入YOLO等目标检测模型，在提升小目标检测精度的同时保持实时性能。文章详细介绍了ACE原理、与YOLO26的结合方法、代码实现及改进版本A

本文提出一种基于YOLO26的RGB-IR多模态目标检测模型，通过早期融合策略提升复杂场景下的检测鲁棒性。模型采用轻量级融合模块将RGB与IR图像在输入端整合，保持YOLO原生架构不变，仅增加一个卷积层，实现了计算高效、兼容性好的多模态检测方案。实验表明该方法在夜间、烟雾等极端环境下显著优于单模态模型。虽然当前方案存在模态差异处理的局限性，但为工程应用提供了实用解决方案，并指出了双主干网络、注意力

本文提出曲率引导令牌注意力（CGTA）方法，用于解决遥感图像超分辨率中曲线结构保真与计算效率的矛盾。CGTA通过两阶段策略：首先基于曲率感知筛选关键结构令牌，再执行混合交叉注意力，将复杂度从O(N²)降至O(Nk)。该方法可嵌入YOLO检测框架，显著提升遥感图像中曲线状地物的检测精度与速度。文章详细介绍了CGTA原理、代码实现及在YOLOv11中的集成步骤，包括模块导入、模型配置等关键操作，为遥感

本文提出了一种曲率引导令牌注意力(CGTA)方法，用于提升遥感图像超分辨率重建效果。该方法通过曲率感知令牌筛选和混合交叉注意力融合两阶段设计，在降低计算复杂度的同时保持曲线结构连贯性。研究将CGTA融入YOLO检测框架，显著提升了小目标和曲线型地物的检测精度。进一步提出的ACGTA改进方案通过多尺度特征融合、双向注意力交互等机制，增强了模型对不同尺度曲线结构的适应性。实验表明，该方法在几乎不增加计

本文提出大核可分离注意力LSKA，通过将二维大核卷积分解为级联的一维卷积，有效解决了传统大核注意力LKA计算量平方级增长的问题。LSKA在保留长程依赖建模能力的同时，显著降低了计算复杂度和内存占用，更适合端侧和高分辨率任务应用。研究还展示了将LSKA嵌入YOLO检测网络的方法，在几乎不增加推理耗时的情况下提升目标检测性能，特别是对小目标、密集目标和遮挡目标的检测效果。实验结果表明，该改进方法能有效

摘要：本文提出WTConv轻量化大感受野卷积方案，通过小波变换实现多频带分解，在YOLO目标检测框架中实现高效全局特征提取。该方法采用级联小波分解与重建机制，以线性参数增长获得指数级扩大的感受野，同时强化低频形状特征提取。实验表明，将WTConv嵌入YOLO26模型可显著提升小目标和密集目标检测精度，且计算量增幅极小，不影响实时性。文章详细介绍了WTConv原理、YOLO集成方法及代码实现步骤，为

主要是对pointpillars网络的相关介绍，包括坐标转换、标注、视锥、数据预处理、模型训练等