pick1

# 前言 本文提出了将新型的部分卷积（PConv）和基于此的FasterNet神经网络家族与YOLOv11相结合。PConv通过减少冗余计算和内存访问，更高效地提取空间特征。FasterNet在各

# 前言 本文介绍了将ConvNeXt V2与YOLOv11相结合的方法。先前的ConvNeXt模型与自监督学习结合效果不佳，为此提出全卷积掩码自动编码器框架和全局响应归一化（GRN）层，形成C

# 前言 本文介绍了一种轻量级的特征下采样模块 ADown，它结合平均池化与最大池化策略，实现更有效的信息保留与压缩。在传统卷积网络中，特征下采样常造成信息损失，而 ADown 通过双通道并行结构优

# 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YOLOv11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

# 前言 本文介绍了Large Separable Kernel Attention (LSKA)模块及其在YOLOv11中的结合应用。LSKA旨在解决Visual Attention Netw

# 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YOLOv11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

# 前言 本文介绍了实时检测Transformer（RT-DETR）及其核心AIFI模块在YOLOv11中的结合应用。RT-DETR旨在解决YOLO速度和准确性受NMS负面影响、DETRs计算成

# 前言 本文介绍了多尺度线性注意力机制MSLA，并将其集成进YOLOv11。现有基于CNN和Transformer的医学图像分割方法存在局限性，为解决这些问题，我们提出了MSLAU-Net架构，

# 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YOLOv11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