本文介绍了YOLO26改进中引入的MSHC多尺度异构卷积模块的创新应用。该模块通过方形核与条带核的组合，有效捕捉复杂空间纹理特征，在保持YOLO26原有检测框架的同时增强了特征表达能力。文章详细阐述了模块的数学原理、网络融合位置选择以及在医学图像、工业缺陷检测等场景中的优势。特别强调了该改进具有清晰的理论动机和可解释性，不仅提升了模型性能，更为SCI论文写作提供了完整的"动机-方法-验证

本文为 RTDETR 改进系列纯净发布稿，写法采用模块化技术博文形式：先讲痛点，再讲结构，再给配置、训练方式、实验表格和注意事项。全文仅保留技术正文，便于直接发布。 摘要 本文围绕 4D 辅助细化 展开。该版本属于 结构增强 方向，目标是在 RTDETR 端到端检测框架中完成可复现、可对照、可训练的结构设计。相比只给模型文件，本文更关注为什么这样改、改在什么位置、如何训练、如何做消融，以及实验时应

本文为 RTDETR 改进系列纯净发布稿，写法采用模块化技术博文形式：先讲痛点，再讲结构，再给配置、训练方式、实验表格和注意事项。全文仅保留技术正文，便于直接发布。 摘要 本文围绕 2D 轻量解码 展开。该版本属于 结构裁剪 方向，目标是在 RTDETR 端到端检测框架中完成可复现、可对照、可训练的结构设计。相比只给模型文件，本文更关注为什么这样改、改在什么位置、如何训练、如何做消融，以及实验时应

本文为 RTDETR 改进系列纯净发布稿，写法采用模块化技术博文形式：先讲痛点，再讲结构，再给配置、训练方式、实验表格和注意事项。全文仅保留技术正文，便于直接发布。 摘要 本文围绕 RTDETRl 基线 展开。该版本属于 基线配置 方向，目标是在 RTDETR 端到端检测框架中完成可复现、可对照、可训练的结构设计。相比只给模型文件，本文更关注为什么这样改、改在什么位置、如何训练、如何做消融，以及实

华为诺亚实验室最新推出GhostNetV3，通过优化训练策略显著提升轻量级模型性能。该研究针对紧凑模型特点，提出专用训练方案：采用重参数化技术增强1×1和深度卷积，优化知识蒸馏策略，并发现传统数据增强方法（如Mixup）会损害小模型性能。实验显示，GhostNetV3 1.3×仅用269M FLOPs即在ImageNet达到79.1%准确率，移动端延迟仅14.46ms，较原训练方案提升显著。该策略

YOLOv11多模态（RGB+IR）融合BoTNet创新性地结合CNN与Transformer优势，通过多头自注意力机制增强全局建模能力，同时保留CNN的局部特征提取优势。该模型采用改进的BoTNet瓶颈结构，在ResNet基础上用MHSA层替换3x3卷积，并引入2D相对位置编码。配置支持双模态输入（可见光+红外图像），提供开箱即用的M3FD.yaml数据集配置，包含6类常见目标检测任务。这种混合

BiFormer是一种新型动态稀疏注意力视觉Transformer架构，通过双层路由机制实现高效计算分配。该模型采用查询感知方式自动筛选相关区域，在保持性能的同时显著降低计算复杂度。实验表明，BiFormer在图像分类、目标检测等任务中表现优异，尤其擅长小目标检测。文章详细介绍了模型结构、实现方法（包括YAML修改和模块注册）及可视化效果，并提供了相关代码资源。作者团队还提供持续更新的科研工具和一

YOLOv11最新改进系列引入多模态融合技术，结合RGB和红外(IR)图像，并集成HCANet网络中的卷积和注意力融合模块(CAFM)，显著提升小目标检测性能。该改进通过多尺度特征提取和全局-局部特征融合，使检测效果大幅提升。实验采用M3FD数据集，包含6类目标，提供可见光和红外图像对。改进后的模型支持40+单模态和20+多模态组合方案，可生成上千万种排列组合。相关代码和配置已开源，便于研究者快速

特性描述全称核心创新1.加权特征融合：引入可学习权重，让网络自适应学习不同输入特征的重要性。2.简化双向网络：移除冗余节点，添加快捷连接，形成高效的双向流动路径。3.可重复结构：将BiFPN设计为一个可堆叠的模块。关键公式O∑iwiϵ∑jwj⋅IiO∑i​ϵ∑j​wj​wi​​⋅Ii​主要优势在更低的计算成本下，实现了更高的多尺度特征融合效率，从而提升了目标检测的精度。经典应用EfficientD

本文介绍了动态蛇形卷积（Dynamic Snake Convolution）在管状结构分割任务中的创新应用。针对细长管状结构特征微弱、形态复杂的特点，该方法通过动态调整卷积核形状，结合多视角特征融合和拓扑约束损失，显著提升了小目标和遮挡目标的检测效果。文章探讨了专用分割模型与大模型结合的价值，并提供了详细的改进教程和验证步骤。作者强调该方法可扩展至3D/4D数据，为特殊结构分割提供新思路。文末附有