题目：SAFMN：Spatially-AdaptiveFeatureModulationforEfficientImageSuper-Resolution期刊：CVPR(ConferenceonComputerVisionandPatternRecognition)GitHub地址：https://github.com/sunny2109/SAFMN年份：2023作者单位：TheChineseUniversityofHongKong(CUHK)

YOLOv11全网最新创新点改进系列：融合GSConv+SlimNeck，双改进、双增强，替换特征融合层实现，轻量化涨点改进策略，有效涨点神器！所有改进代码均经过实验测试跑通！截止发稿时YOLOv11已改进40+！自己排列组合2-4种后，考虑位置不同后可排列组合上千万种！改进不重样！！专注AI学术，关注B站up主：Ai

 

一、文本介绍本文修改的模型是RT-DETR，在原本的RT-DETR中，使用ResNet作为骨干网络，本文使用最新的VMamba（VisualStateSpaceModel）替换ResNet作为RT-DETR的骨干网络。VMamba是一种全新的视觉框架，VMamba结合了CNNs和ViTs的优势，同时优化了计算效率，能够在保持全局感受野的情况下实

一、文本介绍本文修改的模型是Deformable-DETR，在骨干网络和可变形编码器之间加入YOLOv10的PSA和SCDown模块。其中PSA是YOLOv10提出的一种高效的自注意力模块，为了避免注意力带来的巨额开销，本文将PSA应用于可变形编码器输入的最高层级特征图。SCConv是一种空间和通道解耦的卷积

摘要GhostNetV3是由华为诺亚方舟实验室的团队发布的，于2024年4月发布。摘要：紧凑型神经网络专为边缘设备上的应用设计，具备更快的推理速度，但性能相对适中。然而，紧凑型模型的训练策略目前借鉴自传统模型，这忽略了它们在模型容量上的差异，可能阻碍紧凑型模型的性能提升。在本

动态卷积学习n个静态卷积核的线性混合，加权使用它们输入相关的注意力，表现出比普通卷积更优越的性能。然而，它将卷积参数的数量增加了n倍，因此并不是参数高效的。这导致不能探索n>100的设置（比典型设置n<10大一个数量级），推动动态卷积性能边界提升的同时享受参数的高效性。为此，论文提出

动态卷积学习n个静态卷积核的线性混合，加权使用它们输入相关的注意力，表现出比普通卷积更优越的性能。然而，它将卷积参数的数量增加了n倍，因此并不是参数高效的。这导致不能探索n>100的设置（比典型设置n<10大一个数量级），推动动态卷积性能边界提升的同时享受参数的高效性。为此，论文提出

YOLOv10改进：CBAM注意力机制【注意力系列篇】（附详细的修改步骤，以及代码，在目标检测中有效涨点）如果实验环境尚未搭建成功，可以参考这篇文章->【YOLOv10详细环境搭建以及模型训练（GPU版本）】请参考链接：http://t.csdnimg.cn/YQ9qW------------------------------------------------

原论文摘要MobileNetV2架构在多个任务和基准测试中提高了移动模型的最先进性能，并在不同的模型规模中表现出色。我们还介绍了在一种我们称之为SSDLite的新框架中应用这些移动模型进行目标检测的高效方法。MobileNetV2理论详解可以参考链接：论文地址本文在YOLOv8中的主干

YOLOv10全网最新创新点改进系列：ICCV2023-动态蛇形卷积（DynamicSnakeConvolution）采用管状结构，拉升模型小目标、遮挡目标检测效果，高效涨点！！！所有改进代码均经过实验测试跑通！截止发稿时YOLOv10已改进40+！自己排列组合2-4种后，考虑位置不同后可排列组合上千万种！改进不重样！！专注A

YOLOv10全网最新创新点改进系列：YOLOv10改进ShuffleNetV2，手把手教学、保姆级实操、必须有效涨点！！！所有改进代码均经过实验测试跑通！截止发稿时YOLOv10已改进40+！自己排列组合2-4种后，考虑位置不同后可排列组合上千万种！改进不重样！！专注AI学术，关注B站up主：Ai学术叫叫兽er！购买相关资

 

 一、本文介绍本文给大家带来的是改进机制是一种替换Conv的模块ContextGuidedBlock(CGblock) ，其是在CGNet论文中提出的一种模块，其基本原理是模拟人类视觉系统依赖上下文信息来理解场景。CGblock用于捕获局部特征、周围上下文和全局上下文，并将这些信息融合起来以提高准

鱼弦：公众号【红尘灯塔】，CSDN博客专家、内容合伙人、新星导师、全栈领域优质创作者、51CTO(Top红人+专家博主)、github开源爱好者（go-zero源码二次开发、游戏后端架构https://github.com/Peakchen）YOLOv8改进|Conv篇|添加DiverseBranchBlock多元分支模块（有效涨点，重参数

本文属于原创独家改进:一种轻量级的MixedLocalChannelAttention(MLCA)模块，该模块考虑通道信息和空间信息，并结合局部信息和全局信息以提高网络的表达效果1.YOLOv10介绍论文：[https://arxiv.org/pdf/2405.14458]代码：https://gitcode.com/THU-MIG/yolov10?utm_source=c

摘要本文介绍的独家原创的Neck层特征融合方法，将深度特征和浅层特征相融合，结合自研下采样模块和动态上采样模块，提供了一种高效的Neck层改进方式，不仅为他们提供了一个现成的解决方案，而且能够作为灵感启发，鼓励他们在此基础上进行进一步的探索和创新。即插即用的特性使得这种改

YOLOv10全网最新创新点改进系列：融合空间信息关注机制（SimAM）于YOLOv10网络，在通道之间和空间位置之间建立更加准确的关联,助力YOLOv10有效涨点！！！所有改进代码均经过实验测试跑通！此项目不低于30种改进！自己排列组合2-4种后，考虑位置不同后可排列组合上千万种！改进不重样！！专注AI学术，

文章目录

文章目录

一、论文理论论文地址：ConvMixer：PatchesAreAllYouNeed? 1.理论思想背景尽管多年来卷积网络一直是视觉任务的主要架构，但最近的实验表明，基于Transformer的模型，尤其是VisionTransformer(ViT)，在某些设置下可能会超过卷积的性能。然而，由于transformer中自注意层的qu

 

  

一、论文理论论文地址：ConvNeXtV2:Co-designingandScalingConvNetswithMaskedAutoencoders1.理论思想ConvNeXtV2 在 ConvNeXt 的基础上增加了两个创新点（一个 framework 和一个 technique）：全卷积掩码自编码器（fullyconvolutionalmaskedautoencoder,FCMAE）和