# 前言# 前言 本文介绍了多核U形卷积神经网络（MK-UNet）的多核深度可分离卷积模块（MKDC），并将其集成进YOLO26。MKDC是MK-UNet核心组件，通过并行多内核深度卷积、特征聚合和通道洗牌，有效捕获多尺度空间关系，…

前言 本文介绍了感受野块（RFB）模块在YOLO26中的结合应用。RFB模块是一种多分支卷积块，由多分支卷积层和扩张池化或卷积层组成，通过模拟多尺度感受野和控制感受野偏心性，增强轻量级CNN模型学习到的深层特征，提高…

# 前言# 前言 本文介绍了新型视觉适配器微调方法Mona，并将其集成到YOLO26中。传统全参数微调成本高、存储负担重且有过拟合风险，现有PEFT方法性能落后。Mona仅调整5%以内的骨干网络参数，在多个视觉任务中超越全…

# 前言# 前言 本文介绍了MogaNet在YOLO26中的结合应用。MogaNet是一种新型卷积网络架构，通过多阶卷积、门控操作和通道聚合模块，在不同交互尺度学习信息、动态选择特征、强化特征学习，克服传统卷积网络局限。我们…

前言 本文介绍了可编程梯度信息（PGI）和通用高效层聚合网络（GELAN），以及SPPELAN模块在YOLO26中的结合应用。针对深度网络数据传输中的信息丢失问题，提出PGI概念以提供完整输入信息计算目标函数，获得可靠梯度更…

SW草图绘制之倒角和圆角

前言 本文介绍了在线卷积重参数化（OREPA）及其在 YOLO26中的结合。结构重新参数化能在推理时优化模型性能，但训练成本高。OREPA 是两阶段流程，通过引入线性缩放层优化在线块，将复杂训练块压缩为单个卷积，减少训…

前言 本文介绍了焦点调制网络（FocalNets）及其在YOLO26中的结合应用。FocalNets完全用焦点调制模块替代自注意力，该模块由焦点上下文化、门控聚合和逐元素仿射变换组成，能有效建模视觉中的标记交互。它通过局部特…