运行pycharm.sh后右击快速启动栏图标不能add to my favourites随便新建一个项目，点击tools->create Desktop Entry关闭pycharm并重新运行pycharm.sh，再次右击图标就可以add to my favourites转载自：https://blog.csdn.net/isoxqxqxxq/article/details/92068800

运行pycharm.sh后右击快速启动栏图标不能add to my favourites随便新建一个项目，点击tools->create Desktop Entry关闭pycharm并重新运行pycharm.sh，再次右击图标就可以add to my favourites转载自：https://blog.csdn.net/isoxqxqxxq/article/details/92068800

DFormerv2提出了一种创新的RGBD语义分割方法，通过将深度信息转化为几何先验并嵌入自注意力机制，显著提升了性能与效率。其核心是几何自注意力(GSA)模块，直接利用深度图构建3D几何关系指导特征交互，避免了传统双编码器的高计算成本。该方法在NYU Depth V2等数据集上达到SOTA，FLOPs降低50%以上。关键创新包括：1) 无网络编码的几何先验生成；2) 轴向分解的GSA机制；3)

本文提出SST（State Space Transformer）模型，一种创新的多尺度混合专家架构，用于高效时间序列预测。SST通过多尺度补丁机制将序列分解为长程模式和短程变异：Mamba专家处理低分辨率的长程模式（线性复杂度），Transformer专家（LWT）处理高分辨率的短程变异。为解决传统混合架构的"信息干扰"问题，SST采用双分支独立处理，并通过长短路由模块动态融合

本文提出了一种轻量级2.5D跨切片注意力模块CSAM，用于解决各向异性医学图像分割问题。针对MRI等层间分辨率低的特性，CSAM通过解耦语义、位置和切片三个维度的注意力机制，以极少的参数量实现跨切片特征融合。实验表明，该方法在多个医学数据集上优于传统2D、3D方法，显著提升分割精度，特别是改善了层间边界连续性。该模块可灵活集成到现有网络，为各向异性医学图像分析提供了高效解决方案。

本文提出了一种位置引导的动态感受野网络（PG-DRFNet），用于解决光学和SAR遥感图像中小目标检测的难题。该方法通过位置引导模块（PGM）将浅层网络中的小目标位置信息传递至深层，防止特征淹没；并采用动态感知卷积（DPC）自适应调整感受野形状，精准提取多尺度目标特征。配合组合检测头的辅助监督机制，该网络在多个数据集上达到SOTA性能。核心模块具有即插即用特性，可广泛应用于小目标检测任务。代码已开

本文提出了一种新型可变形大核注意力机制（D-LKA），通过结合大核卷积的全局感受野和可变形卷积的形状自适应能力，有效解决了医学图像分割中的关键挑战。D-LKA模块通过分解大核卷积模拟自注意力的全局上下文捕捉能力，同时避免了其平方计算复杂度。基于此，作者构建了2D和3D版本的D-LKA Net架构，其中3D版本特别针对伪3D方法导致的层间信息丢失问题，实现了真正的3D上下文感知。实验表明，该方法在多

本文提出HS-FPN网络，通过频域和空间感知增强小目标检测。针对小目标特征微弱问题，设计了高频感知模块(HFP)利用DCT变换提取高频特征，增强小目标信号；同时提出空间依赖感知模块(SDP)，通过像素级交叉注意力解决特征不对齐问题。实验表明，在AI-TOD数据集上HS-FPN使Faster R-CNN的AP提升2.0，Cascade R-CNN提升3.4。该网络计算开销小，模块可即插即用，适用于小

本文提出LAM-YOLO模型，针对无人机航拍图像中目标尺寸小、遮挡严重和光照复杂等问题，在YOLOv8基础上引入光照-遮挡注意力机制(LAM)和内卷模块。LAM通过混合注意力增强特征提取能力，改进的检测头和SIB-IoU损失函数提升小目标检测精度。实验表明，该模型在VisDrone2019数据集上mAP提升7.1%，有效解决了复杂场景下的目标检测难题。核心创新包括LAM模块、辅助检测头和SIB-I

摘要 本文提出ASCNet（非对称采样校正网络）用于红外图像去条纹。针对传统基于小波的U-Net存在的跨层级列语义鸿沟问题，ASCNet创新性地采用残差哈尔离散小波变换（RHDWT）作为下采样器，融合条纹方向先验和数据驱动特征；同时使用像素重组（PS）作为上采样器，避免语义偏差。网络还包含列非均匀性校正模块（CNCM），通过列注意力、空间注意力和自校准分支捕获全局列相关性。实验表明，ASCNet在