一、本文介绍
本文记录的是利用直方图自注意力优化YOLOv11的目标检测方法研究。在目标检测任务中，清晰准确的图像对于目标检测至关重要，本文创新方法通过恢复图像质量，可以减少因图像质量低导致的误检和漏检，实现有效涨点。
专栏目录：YOLOv11改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
文章目录
- 一、本文介绍
- 二、直方图自注意力介绍
-
- 2.1 设计出发点
- 2.2 原理
-
- 2.2.1 动态范围直方图自注意力（DHSA）
- 2.2.2 双尺度门控前馈（DGFF）模块
- 2.3 结构
- 2.4 优势
- 三、HTB的实现代码
- 四、创新模块
-
- 4.1 改进点⭐
- 五、添加步骤
-
- 5.1 修改ultralytics/nn/modules/block.py
- 5.2 修改ultralytics/nn/modules/__init__.py
- 5.3 修改ultralytics/nn/modules/tasks.py
- 六、yaml模型文件
-
- 6.1 模型改进⭐
- 七、成功运行结果
标签：Transformer,ECCV,ultralytics,改进,直方图,YOLOv11,2.2,注意力 From： https://blog.csdn.net/qq_42591591/article/details/142940088