简介：1.该教程提供大量的首发改进的方式，降低上手难度，多种结构改进，助力寻找创新点！2.本篇文章对Pointnet++特征提取模块进行改进，加入EMA注意力机制，提升性能。3.专栏持续更新，紧随最新的研究内容。 目录 1.理论介绍 2.修改步骤 2.1 步骤一          2.2 步骤二          2.3 步骤三 ...

   💡💡💡本文改进：一种新的Shape IoU方法，该方法可以通过关注边界框本身的形状和尺度来计算损失，解决边界盒的形状和规模等固有属性对边界盒回归的影响。   💡💡💡对小目标检测涨点明显，在VisDrone2019、PASCAL VOC均有涨点    收录YOLOv7原创自研 https://blog.csdn.net/m0_63774211/category_12511937.html 💡💡💡全...

💡💡💡本文原创自研创新改进：基于ECA注意力，提出了一种新颖的EMCA注意力（跨通道交互的高效率通道注意力），保持高效轻量级的同时，提升多尺度提取能力 强烈推荐，适合直接使用，paper创新级别 💡💡💡 在多个数据集验证涨点，尤其对存在多个尺度的数据集涨点明显 收录 YOLOv8原创自研 https://blog.csdn.net/m0_63774211/category_12511737.html?...

💡💡💡本文内容：解决rt-detr无法打印计算量的问题点 💡💡💡本文提供：1）训练阶段自动打印计算量；2）提供离线打印计算量的代码； 无法打印GFLOPs 优化后打印GFLOPs   RT-DETR魔术师专栏介绍： https://blog.csdn.net/m0_63774211/category_12497375.html ✨✨✨魔改创新RT-DETR 🚀🚀🚀引入前沿顶会创新，助力RT-DETR ...

中取得了显著的成就。而极限学习机（ELM）作为一种新兴的机器学习算法，具有快速训练和良好的泛化能力，因此在回归分析中备受关注。然而，传统的ELM算法在处理复杂数据集时存在着一定的局限性，因此需要进一步改进和优化。 在这种背景下，研究人员提出了一种基于灰狼算法（GWO）改进的深度核学习极限学习机（DKELM）算法，用于实现数据回归预测。该算法结合了灰狼算法的优化能力和深度核学习的特征提取能力，能够在处理...

💡💡💡本文自研创新改进：自研CPMS, 多尺度通道注意力具+多尺度深度可分离卷积空间注意力,全面升级CBAM  1）作为注意力CPMS使用； 推荐指数：五星 CPMS |   亲测在多个数据集能够实现涨点，对标CBAM。     收录 YOLOv5原创自研 https://blog.csdn.net/m0_63774211/category_12511931.html 💡💡💡全网独家首发创新（原创），...

💡💡💡本文自研创新改进：SENet v2，针对SENet主要优化点，提出新颖的多分支Dense Layer，并与Squeeze-Excitation网络模块高效融合，融合增强了网络捕获通道模式和全局知识的能力 推荐指数：五星    收录 YOLOv7原创自研 https://blog.csdn.net/m0_63774211/category_12511937.html 💡💡💡全网独家首发创新（原创）...

  💡💡💡本文自研创新改进：MSAM（CBAM升级版）：通道注意力具备多尺度性能，多分支深度卷积更好的提取多尺度特征，最后高效结合空间注意力  1）作为注意力MSAM使用； 推荐指数：五星 MSCA  |   亲测在多个数据集能够实现涨点，对标CBAM。 在道路缺陷检测任务中，原始map为0.8，cbam为0.822  ，MSCA  为  0.855     收录 YOLOv5原创自研 https:/...

💡💡💡本文自研创新改进：卷积如何有效地和频域结合，引入分数阶傅里叶变换(FrFT)和分数阶Gabor变换(FrGT)，最终创新到YOLOv8。 使用方法：1）直接替换原来的C2f；2)放在backbone SPPF后使用；等 推荐指数：五星 在道路缺陷检测任务中，原始map为0.8，FT_Conv为0.82 收录 YOLOv8原创自研 https://blog.csdn.net/m0_63774211...

🚀🚀🚀本文改进：SEAM、MultiSEAM分割物体与物体相互遮挡性能 🚀🚀🚀SEAM、MultiSEAM分割物与物相互遮挡、分割小目标性能 🚀🚀🚀RT-DETR改进创新专栏：http://t.csdnimg.cn/vuQTz 学姐带你学习YOLOv8，从入门到创新，轻轻松松搞定科研； RT-DETR模型创新优化，涨点技巧分享，科研小助手； 1.原理介绍 1.1遮挡物检测简介  不同的目标检测应用场景...