YOLOv11改进策略【卷积层】| ECCV-2024 Histogram Transformer Block 适用于噪声大，图像质量低的检测任务
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
专栏地址：YOLOv11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、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