YOLO26改进策略【卷积层】| arXiv 2025 加权卷积Weighted Conv 密度函数提表征 + 零参扩展降负担，提升目标检测精度

张开发
• 2026/4/6 20:12:50 • 15 分钟阅读

最新文章

推荐文章

相关文章

分享文章

YOLO26改进策略【卷积层】| arXiv 2025 加权卷积Weighted Conv 密度函数提表征 + 零参扩展降负担，提升目标检测精度
一、本文介绍本文记录的是利用加权卷积改进 YOLO26 的卷积层特征提取部分。Weighted Convolution（加权卷积）通过空间密度函数与标准卷积核加权结合，实现YOLO26特征提取中像素位置依赖的差异化权重分配。本文利用Weighted Convolution算子，通过对称衰减的密度函数强化中心像素与关键邻域的特征贡献，再通过核与密度函数的逐元素加权生成针对性卷积核，同时依托零额外参数设计保持模型轻量化，对YOLO26中目标的核心区域与边缘细节特征进行精准捕捉、抑制背景冗余像素干扰，在特征提取阶段实现空间结构信息的高效表征，避免传统卷积等权像素导致的特征混淆，增强模型对复杂场景下目标的检测精度与空间特征分辨能力。专栏目录：YOLO26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专栏地址：YOLO26改进专栏——以发表论文的角度，快速准确的找到有效涨点的创新点！文章目录一、本文介绍二、加权卷积介绍Weighted Convolution的设计出发点、模块结构和模块优势设计出发点模块结构模块优势三、加权卷积的实现代码四、添加步骤4.1 改进点1⭐五、添加步骤5.1 修改一5.2 修改二5.3 修改三六、yaml模型文件6.1 模型改进⭐七、成功运行结果二、加权卷积介绍Weighted Convolution的设计出发点、模块结构和模块优势设计出发点Weighted Convolution（加权卷积）旨在解决传统卷积“像素等权贡献”的局限性：传统卷积默认感受野内所有像素对参考像素的影响权重相同，忽略了像素相对位置的空间关联性，导致空间特征表征不够精准。该算子通过引入空间密度函数，让网络能根据像素与参考点的相对位置差异化分配权重，在不增加可训练参数的前提下，提升特征提取的针对性，适配图像分类、去噪等任务对空间结构建模的需求。模块结构Weighted Convolution以传统卷积为基础，核心新增空间密度函数的加权机制，整体结构简洁且兼容现有CNN架构：核心组件：由标准卷积核（W WW

更多文章