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

本文介绍了将SENetV2与YOLOv8结合的方法，以提升图像分类性能。SENetV2是结合Squeeze-and-Excitation（SE）模块和密集层的图像分类模型，引入聚合稠密层用于通道和全局表示。其SE模块重新校准通道特征，密集层优化特征表示，还提出SaE模块增强关键特征捕获。我们将SENetV2的SaELayer集成进YOLOv8，在相关位置嵌入该模块。实验表明，结合SENetV2的Y

本文介绍了将SimAM注意力模块与YOLOv8结合的方法。SimAM是一种简单且无参数的注意力模块，其设计灵感源自神经科学理论，通过优化能量函数找出每个神经元的重要性，进而为特征图推断3D注意力权重。该模块无需添加额外参数，且多数操作符基于能量函数的解选择，避免了大量结构调整工作。我们将SimAM集成进YOLOv8，替换部分模块。实验证明，结合SimAM的YOLOv8在相关视觉任务中展现出良好的效

本文介绍了双稀疏自注意力（DSSA），一种通过空间与通道双重稀疏约束优化自注意力计算的高效模块。该方法利用局部窗口与稀疏锚点进行空间筛选，并结合动态通道门控，在大幅降低计算复杂度的同时精准聚焦关键特征。我们将 DSSA 成功集成进 YOLO11，在检测头部分对 P3、P4、P5 尺度的特征进行双稀疏增强。实验证明，集成 DSSA 的 YOLO11 在检测任务中表现优异，有效提升了模型的特征提取能力

本文介绍了将SimAM注意力模块与YOLOv8结合的方法。SimAM是一种简单且无参数的注意力模块，其设计灵感源自神经科学理论，通过优化能量函数找出每个神经元的重要性，进而为特征图推断3D注意力权重。该模块无需添加额外参数，且多数操作符基于能量函数的解选择，避免了大量结构调整工作。我们将SimAM集成进YOLOv8，替换部分模块。实验证明，结合SimAM的YOLOv8在相关视觉任务中展现出良好的效

本文介绍了实时检测Transformer（RT-DETR）及其核心AIFI模块在YOLO26中的结合应用。RT-DETR旨在解决YOLO速度和准确性受NMS负面影响、DETRs计算成本高的问题，通过设计高效混合编码器和解码器层数调整来提升性能。AIFI作为Transformer编码器层，通过构建2D正弦 - 余弦位置嵌入处理多尺度特征。我们将AIFI集成进YOLO26，实验表明，改进后的模型在CO

本文介绍了轻量级骨干网LWGANet及其核心模块LWGA在YOLO26中的结合。现有用于遥感（RS）视觉质量分析的轻量级神经网络存在空间初始冗余和通道冗余问题，无法应对RS场景挑战。LWGA采用异构分组策略，将通道划分为4个不重叠子集，每个子集对应特定特征尺度，通过专用子模块处理并融合多尺度特征。我们将相关代码加入指定目录，在`ultralytics/nn/tasks.py`中注册，配置`YOLO