顶刊TPAMI 2025！YOLO+多尺度特征融合实现新SOTA！

现在对 YOLO 的传统研究已经是卷生卷死，如果还想要做创新，或许可以考虑围绕模型改进这方面，尤其是使用 多尺度特征融合 。

清华提出的Hyper-YOLO就给我们很好的打了个样，它在传统的YOLO模型基础上，通过引入超图计算来实现多尺度特征融合，性能在各种规模模型中都达到了顶尖！登上顶刊TPAMI 2025。

这种思路的优势在于，YOLO算法通过多尺度特征融合，可以增强多尺度目标检测能力，同时保持高效并优化资源开销，非常适用于多样场景，可见创新潜力巨大。

为了方便有论文需求的同学，我这次整理了 10篇 YOLO+多尺度特征融合最新论文 ，开源代码已附，大家需要参考的可以直接拿来看~

扫码添加小享， 回复“ YOLO多尺 ”

免费获取 全部论文+开源代码

Multi-Branch Auxiliary Fusion YOLO with Re-parameterization Heterogeneous Convolutional for accurate object detection

方法： 论文提出了一个新的模型MAF-YOLO，它通过引入多分支辅助FPN（MAFPN）和重新参数化异构高效层聚合网络（RepHELAN）等组件，解决了传统YOLO中PAFPN无法高效融合多尺度特征的问题，通过动态调整卷积核以扩展感受野，显著提高了小目标检测能力和整体性能。

创新点：

• 引入了一个新颖的插件式颈部模块——MAFPN，实现了更丰富的特征交互与融合。
• 设计了轻量级的RepHELAN，结合了重参数化异构大卷积的概念。
• 提出了GHSK机制，通过在网络架构中不同分辨率特征层调整RepHELAN的核大小，自适应地扩大了整个网络的有效感受野。

Multiscale Feature Fusion and Threshold-Based Attentional YOLO for Tailings Ponds Detection of Remote Sensing Images

方法： 论文提出了一种名为多尺度特征融合和阈值注意力YOLO（MFTA-YOLO）的新方法，通过融合多尺度特征和引入新的阈值注意力机制，解决了尾矿库检测中数据集匮乏和异构性的问题，有效提高了高分辨率遥感图像中尾矿库的检测精度。

创新点：

• 引入了多尺度特征融合模块，有效整合多尺度语义特征，提升对不同尺寸目标的检测能力。
• 提出了新的阈值注意力机制，结合通道和空间注意力机制，通过阈值差异调整输入贡献，增强目标区域和通道的关注度，提高检测精度。
• 构建了一个包含3619张高分辨率（1.07米）的尾矿库数据集，填补了尾矿库数据集的空白。

扫码添加小享，