YOLO26m
PulseAugur coverage of YOLO26m — every cluster mentioning YOLO26m across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的YOLO模型通过结构和频率线索增强棉花蕾检测能力
研究人员开发了一个名为Cotton-SF YOLO的新目标检测框架，旨在复杂田野环境中准确识别棉花蕾。该模型集成了动态蛇形卷积以更好地捕捉棉花蕾的微小、不规则边界，并采用频域特征调制模块来增强判别性边缘和纹理线索。在Newly created dataset上进行测试，Cotton-SF YOLO相较于基线YOLO26m表现出性能提升，实现了更高的mAP和召回率。
-
新的MGDFIS策略增强了无人机图像中小目标的检测能力
研究人员开发了一种名为MGDFIS（多尺度全局细节特征融合策略）的新策略，以提高无人机图像中小目标的检测能力。该方法旨在在整合更广泛的上下文以区分微小目标与复杂背景的同时，保留精细细节。MGDFIS采用三个模块：FusionLock-TSS注意力、全局细节融合和动态像素注意力，以增强特征聚合并重新校准前景区域。当应用于VisDrone数据集上的YOLO26m基线时，MGDFIS提升了性能，将AP50:95从25.7提高到30.2，将A…
-
新的 Muon 优化器变体提高了 LLM 训练效率和性能
多篇研究论文探讨了 Muon 优化器在训练大型语言模型和其他深度学习架构方面的进展和应用。MONA 将 Nesterov 加速引入 Muon，以提高收敛速度和下游任务性能，并在大型模型上取得了最先进的成果。MuCon 研究了对 Muon 更新进行裁剪，以在不进行完整奇异值分解的情况下近似其行为。另一项研究考察了 Muon 在对抗性训练中的有效性，表明在各种威胁模型和架构上，它可以与 SGD 和 AdamW 等标准优化器竞争或超越它们。…