YOLOv11改进 - C3k2融合 | C3k2 融合 ARConv 自适应矩形卷积：动态调整卷积核形状与采样点

原创 已于 2025-12-09 20:32:08 修改 · 948 阅读 · 30 GEO检测
于 2025-12-03 21:41:56 首次发布

前言

本文介绍了将自适应矩形卷积（ARConv）模块与YOLOv11相结合的方法。ARConv是针对遥感图像全色锐化任务设计的创新卷积模块，可自适应调整卷积核形状与采样点数量，解决传统卷积刚性限制，实现高效特征提取。其工作流程包括学习卷积核高度和宽度、选择采样点数量、生成采样图、卷积实现与空间自适应增强。我们将集成ARConv的C3k2_ARConv模块引入YOLOv11，对相关代码进行修改和注册，并配置了yolov11 - C3k2_ARConv.yaml文件。实验脚本显示，该结合方式应用于目标检测任务。

文章目录： YOLOv11改进大全：卷积层、轻量化、注意力机制、损失函数、Backbone、SPPF、Neck、检测头全方位优化汇总

专栏链接: YOLOv11改进专栏

介绍

image-20251203210715540

标签
#YOLO #网络 #计算机视觉 #深度学习 #目标检测
了解本专栏 订阅专栏 解锁全文
YOLOv8实战：如何用ARConv自适应旋转卷积提升旋转物体检测精度（附完整代码）
tech5的博客
02-26 951
本文详细介绍了如何将ICCV 2023提出的自适应旋转卷积（ARConv）模块集成到YOLOv8中，以显著提升旋转物体检测精度。通过实战代码解析了ARConv的核心机制与路由函数设计，并提供了完整的训练策略、损失函数配置及在DOTA数据集上的效果验证，为航拍图像分析等实际应用提供了高效解决方案。
芒果YOLOv5改进107：ARConv自适应旋转卷积，全网首发 | 即插即用：以增强其表征能力，从而准确检测方向物体，ICCV顶会论文idea
包括YOLOv5、YOLOv7、YOLOv8等模型改进
12-08 888
ARConv自适应旋转卷积，全网首发 | 即插即用：以增强其表征能力，从而准确检测方向物体，ICCV顶会论文idea
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
热门推荐
Limiiiing的博客
10-11 6万+
如今各种网络模型更新迭代越来越快，计算机视觉相关的文章也越来越多，多到一些普通，通用的改进点无法达到发表的要求。本专栏正是解决这个问题！如何寻找创新点？为什么要使用这个模块？如何才能提升模型的精度？这是贯穿我们研究始终的问题。创新点在这个专栏中我已经整理好了，这已经省去了大部分时间，但是当我们使用这些新的模块去优化已有的模型，如何才能提升模型的精度，才是我们要达到的最终目标。当然我们可以使用传统的A+B+C的方法去堆积模块，然后是进行大量的实验去排列组合以实现最终的精度提升，这无可厚非。
YOLOv11融合[CVPR2025]ARConv中的自适应矩阵卷积
深度学习炼丹师，偶尔分享炼丹技术!
03-14 3343
基于卷积神经网络 （CNN） 的遥感全色锐化技术的最新进展显著提高了图像质量。然而，这些方法中的传统卷积模块有两个关键的缺点。首先，卷积运算中的采样位置被限制在一个固定的方形窗口内。其次，采样点的数量是预设的，保持不变。鉴于遥感图像中的物体大小不同，这些刚性参数会导致次优特征提取。为了克服这些限制，我们引入了一个创新的卷积模块，即自适应矩形卷积 （ARConv）。ARConv 自适应地学习卷积核的高度和宽度，并根据学习到的尺度动态调整采样点的数量。
YOLO11改进大全：卷积层、轻量化、注意力机制、损失函数、Backbone、SPPF、Neck、检测头全方位优化汇总
魔改工程师的博客
11-25 4015
YOLOv11改进大全：卷积层、轻量化、注意力机制、损失函数、Backbone、SPPF、Neck、检测头全方位优化汇总
RTDETR融合[CVPR2025]ARConv中的自适应矩阵卷积
深度学习炼丹师，偶尔分享炼丹技术!
03-14 2882
论文速览：基于卷积神经网络 （CNN） 的遥感全色锐化技术的最新进展显著提高了图像质量。然而，这些方法中的传统卷积模块有两个关键的缺点。首先，卷积运算中的采样位置被限制在一个固定的方形窗口内。其次，采样点的数量是预设的，保持不变。鉴于遥感图像中的物体大小不同，这些刚性参数会导致次优特征提取。为了克服这些限制，我们引入了一个创新的卷积模块，即自适应矩形卷积 （ARConv）。ARConv 自适应地学习卷积核的高度和宽度，并根据学习到的尺度动态调整采样点的数量。
ARConv的复现流程
qq_22762933的博客
05-02 1266
其它按照官方提供代码的requirements.txt安装。
CVPR 2025 即插即用卷积-自适应矩形卷积！
数据派THU
04-06 1000
本图通过四个子图（a、b、c 和 d）直观地展示了四种不同类型卷积核的工作原理，对比了标准卷积、可变形卷积、多尺度卷积以及本文提出的自适应矩形卷积（ARConv）之间的区别和优势。通过动态调整卷积核的高度、宽度和采样点数量，ARConv 能够更好地适应遥感图像中不同大小和形状的目标，从而实现更高效的特征提取和更优的图像融合效果。传统的卷积操作中，卷积核的形状是固定的（通常是正方形），而 ARConv 能够自适应地学习卷积核的高度和宽度，使其能够根据图像中不同物体的大小动态调整卷积核的形状。
YOLOv8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
Limiiiing的博客
12-24 1万+
1️⃣本专栏已更新150多种不同的改进方法，所使用并改进的每一个模块均包含详细的模块分析、原理讲解、个人总结、多种改进方式以及完整的修改流程，所有改进100%可直接运行。2️⃣所有改进点均为近三年顶会，顶刊提出的先进算法，将其融入到中，紧跟学术热点，适应不同的任务场景。3️⃣团队内发表数篇SCI论文，熟悉完整的发表流程，订阅专栏即可进群享受模型训练、模型改进、论文写作、投稿选刊，从入门到论文的各种答疑内容。4️⃣专栏内容会持续更新，最近更新时间：2024-12-24。项目介绍在大家购买专栏后，加入学
YOLOv13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
Limiiiing的博客
08-25 8633
1️⃣ 已更新种不同的改进方案，专栏内的每篇文章皆，均可顺利运行。2️⃣ 订阅专栏即可进群获取以及从的各种答疑内容。3️⃣ 全新的YOLOv13改进专栏，，只为更好的满足论文发表的要求。专栏内容，专栏实时评分，全网最高，质量保证。🎫。。
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
Limiiiing的博客
02-10 4973
1️⃣ 什么！不知道如何改进模型⁉️ 本专栏已更新260多种不同的改进方法，所使用并改进的每一个模块均包含详细的模块分析、原理讲解、个人总结、多种改进方式以及完整的修改流程，所有改进100%可直接运行，性价比极高。2️⃣ 找不到合适的模块⁉️ 所有改进点均为近三年顶会，顶刊提出的先进算法，将其融入到中，并进行二次创新，新颖度高，创新度高，能够适应不同的任务场景。3️⃣ 不确定自己改进的步骤、结果是否正确⁉️ 订阅专栏即可进群享受模型训练、模型改进、论文写作、投稿选刊，从入门到论文的各种答疑内容，非常适合新手
ARConv自适应矩形卷积网络初步解析（1）
2303_81806449的博客
04-20 1768
基于卷积神经网络在遥感图像全色锐化技术显著提升了遥感图像的整体质量，但随着遥感图像的精度不断增加，传统卷积神经网络的缺陷逐渐显露出来，主要的问题有：卷积操作的采样位置被限制在固定的方形窗口内；采样点的数量是预设且不可变的。由于遥感图像中的物体形状大小各异，固定的卷积核必然导致诸多精度和计算量的问题。而在ARconv论文中，介绍了自适应矩形卷积网络能够很好地解决上述难题。接下来将为大家浅析自适应矩形网络的主要思想和基本的实现方法。
【即插即用模块】卷积篇 | CVPR 2025 | 自适应矩形卷积ARConv，标准卷积的完美替代，涨点起飞！
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
10-14 891
摘要： 本文提出了一种自适应矩形卷积模块（ARConv），针对传统卷积在遥感图像处理中的局限性进行改进。传统卷积存在采样位置固定和采样点数量预设的问题，难以适应不同尺寸的遥感目标。ARConv通过动态学习卷积核的高度和宽度，并自适应调整采样点数量，有效捕获多尺度特征。模块包含四个关键分支：特征调制（M）、偏置（B）、偏移量预测（P）和采样点数预测（L/W）。实验表明，ARConv在保持计算效率的同时，显著提升了多尺度特征提取能力，特别适用于遥感图像等需要高精度多尺度分析的任务。代码实现采用PyTorch框架
yolov13结合ARConv：有效涨点创新设计
weixin_51988935的博客
09-28 1269
本文介绍了自适应矩形卷积（ARConv）模块在YOLOv13中的集成方法。主要内容包括：1）在tasks.py中修改基础函数以传递epoch参数；2）实现ARConv模块的核心代码；3）注册新模块并配置模型yaml文件；4）执行训练脚本的注意事项。ARConv通过动态调整卷积核形状（3×3到7×7）来提升特征提取能力，在训练过程中会根据epoch数自适应调整。文章提供了完整的实现代码链接，并展示了训练结果。该模块相比传统卷积能更好地适应不同尺度的特征，同时保持了即插即用的特性。
[转载](CVPR 2025) ARConv：打破方形卷积限制的自适应矩形卷积
wuling129的专栏
10-02 208
本文提出了一种自适应矩形卷积(ARConv)方法用于遥感图像全色锐化任务。该方法创新性地将卷积核的高度和宽度作为可学习参数，突破了传统卷积固定正方形核的限制，能够根据目标尺度动态调整卷积核形状和采样点数量。ARConv模块可嵌入U-Net框架构建ARNet网络，在多个数据集上的实验表明其性能优于现有方法。主要贡献包括：(1)可学习的矩形卷积核形状，增强对不同尺寸目标的适应性；(2)动态采样点数量机制，灵活捕捉多尺度特征；(3)仿射变换增强空间灵活性；(4)可视化分析显示学习到的核参数与实际目标尺寸相关，提升
YOLO魔改之ARC-AM-YOLO目标检测模型（Python和MATLAB代码实现）
hasakie的博客
03-26 396
​形状自适应卷积：ARConv动态调整卷积核形状，提升不同长宽比目标的检测能力​多级特征融合：改进的跳跃连接结构保留更多细节信息​双重注意力机制：CBAM模块有效抑制背景干扰。
【Block总结】自适应矩形卷积，即插即用|CVPR2025
AI浩
04-05 1559
本论文提出的自适应矩形卷积（ARConv）通过自适应学习卷积核的高度和宽度，并根据学习到的尺度动态调整采样点数量，为遥感图像融合任务提供了一种新颖有效的解决方案。ARNet在多个数据集上表现出色，且可视化研究表明卷积核能够根据物体大小和形状有效调整其高度和宽度，充分验证了该方法的有效性和创新性。
《动手学YOLO》——目标检测基础
lonelymanontheway的博客
08-18 463
概述、简介、概念、边界框、锚框、交并比、NMS、评价指标、算法、R-CNN、Fast R-CNN、Faster R-CNN、SSD、
Ultralytics 提供的一个强大的目标检测框架，支持多种任务，包括但不限于图像分类、目标检测和实例分割。以下是关于如何安装 YOLOv8 并运行其基
m0_64023286的博客
08-18 218
YOLOv8 使用教程 YOLOv8 是 Ultralytics 提供的一个强大的目标检测框架，支持多种任务，包括但不限于图像分类、目标检测和实例分割。以下是关于如何安装 YOLOv8 并运行其基本功能的详细介绍。 安装 YOLOv8 要使用 YOLOv8，首先需要安装 ultralytics 库。可以通过以下命令完成：
YOLOv10 训练实操教程：从预训练模型开始，端到端无 NMS 的“减负“之路
最新发布
qq_65148539的博客
08-19 469
YOLOv10 训练实操全记录：从清华官方权重微调 2 类跌倒检测数据集，20 epochs 仅约 9 分钟，mAP50 达 0.920，少样本 fall 类 0.928。端到端无 NMS 架构，推理后处理仅 0.1ms。手把手排掉 3 个坑：torch 2.6 权重加载失败（weights_only）、numpy 2.x trapz 移除、续训文件名自动切换崩溃。全部数字来自真实运行，附损失曲线与六段式教程，开箱即用。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

魔改工程师

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值