本文介绍了面向可见光-红外目标检测的轻量级跨模态融合模块 HAFFormer，源于 LCAFNet 中的双向模态引导交叉注意力与门控融合思想。该模块分别利用可见光和红外特征生成交叉注意力增强表示，在保留原始模态信息的同时充分挖掘纹理细节、热目标响应与边缘结构等互补信息，并通过门控权重自适应分配两种模态贡献。我们将 HAFFormer 成功集成进 YOLO11 的 Neck 特征融合阶段，替代原有拼

PSAA（Parallel Self-Awareness Attention）是CSAFNet的核心模块，针对红外小目标检测任务设计。该模块通过双分支并行结构解决传统方法的局限性：CAA分支利用红外成像物理先验和神经元能量响应建模全局信息，WDE分支通过小波变换增强高频局部细节。两分支特征融合后经残差连接和卷积映射输出判别性特征。实验表明，双分支协同工作能有效提升检测性能（IoU、nIoU、Pd指

LFEM（Local Feature Enhancement Module）是 FreDFT 中用于双模态局部特征增强的前置模块，面向 RGB/IR 特征图分别建模。论文将其放在 CGMM 和 FDFAM 之前，目的在于通过不同卷积感受野提取多区域局部信息，并借助 channel shuffle 促进通道交互，最终增强细粒度纹理、边缘和局部目标响应，为后续跨模态全局建模与频域融合提供更强表征。

本文介绍了 HCF-Net 中的多膨胀通道优化模块——MDCR，用于增强红外小目标检测中的细粒度特征表达能力。该模块将输入特征沿通道划分为多个分支，并分别采用不同膨胀率的深度可分离卷积，以捕获多尺度感受野下的空间上下文信息；随后通过通道交错重组与点卷积融合，实现轻量化的跨分支特征聚合，从而更好地区分小目标与复杂背景。我们将 MDCR 融入 YOLOv8 的 C2f 结构，构建 C2f_MDCR 模

本文介绍了面向红外小目标检测的 HCF-Net 核心模块 PPA（Parallelized Patch-Aware Attention），用于增强小目标在复杂背景下的特征表达能力。该模块通过局部-全局注意力、多分支卷积特征提取、ECA通道注意力与空间注意力协同建模，捕获不同尺度和层次的上下文信息，缓解小目标在下采样过程中易丢失的问题。我们将 PPA 成功集成进 YOLOv8，强化主干高层语义特征表

本文介绍了面向细长目标特征建模的条带卷积模块——StripBlock，作为传统方形卷积感受野不足的有效补充。该方法通过深度卷积提取局部信息，并利用连续的横向与纵向长条卷积增强长距离空间依赖，生成空间注意力权重对原特征进行门控重标定，从而更精准捕获高纵横比目标的结构特征。我们将 StripBlock 集成进 YOLO26 的特征融合与检测分支中，强化多尺度特征表达能力，提升遥感、船舶、车道等细长目标

本文介绍了用于滑坡检测的 LS-YOLO 模型及其核心多尺度特征提取模块（MSFE）。该模块融合了高效通道注意力（ECA）、平均池化及空间可分离卷积，通过多分支并行结构充分提取滑坡的多尺度特征信息。我们将 MSFE 模块成功集成进 YOLOv8，增强了模型对复杂背景下滑坡特征的捕捉能力。

本文介绍了基于归一化的注意力模块（NAM），旨在通过抑制不显著特征来提升模型效率。该方法利用批量归一化的缩放因子衡量通道与像素重要性，替代了传统注意力中的全连接层，并引入权重稀疏惩罚以降低计算成本。我们将 NAM 模块及 C2f_NAM 变体成功集成进 YOLOv8，优化了特征提取过程。实验证明，结合 NAM 的 YOLOv8 在保持精度的同时显著提升了计算效率，性能优于 SE 及 CBAM 等主

本文介绍了轻量级卷积技术GSConv和设计范式Slim-Neck与YOLO26的结合，以解决车载边缘计算平台模型实时检测和准确性的难题。GSConv通过减少冗余和重复信息降低计算复杂性，Slim-Neck则设计纤细颈部结构，在维持准确性的同时提高计算成本效益。我们将相关代码集成进YOLO26，在`ultralytics/nn/`目录新建`featureFusion`并创建`Slimneck.py`

FDFAM（Frequency Domain Feature Aggregation Module）是 FreDFT 中负责跨模态深度融合的核心模块，用于将经过 LFEM 与 CGMM 处理后的 RGB/IR 特征进一步聚合。论文指出，现有方法大多在空间域用 Transformer 建模模态互补性，却忽略了频域在纹理细节与热结构信息解耦方面的优势。为此，FDFAM 由多模态频域注意力 MFDA 和