一、本文介绍
本文记录的是基于LSKNet的YOLO26骨干网络改进方法研究。
LSKNet利用大核卷积获取上下文信息进行辅助，使模型能够产生具有各种大感受野的多个特征的同时，动态地根据输入调整模型的行为，使网络更好地适应图像中不同物体的检测需求。
本文在YOLO26的基础上配置了原论文中LSKNET_T、LSKNET_S两种模型，以满足不同的需求。
文章目录
- 一、本文介绍
- 二、大核选择模块(LSK)介绍
- 2.1 出发点
- 2.2 原理
- 2.2.1 大核卷积分解
- 2.2.2 空间核选择
- 2.3 结构
- 2.4 优势
- 三、LSKNet模块的实现代码
- 四、修改步骤
- 4.1 修改一
- 4.2 修改二
- 4.3 修改三
- 五、yaml模型文件
- 5.1 模型改进⭐
- 六、成功运行结果
二、大核选择模块(LSK)介绍
Large Selective Kernel Network for Remote Sensing Object Detection
LSK module是Large Selective Kernel Network (LSKNet)中的核心模块，以下是对其设计的出发点、原理、结构和优势的详细解释：
2.1 出发点
- 利用遥感图像特性：遥感图像具有独特的特征，如从鸟瞰视角以高分辨率拍摄，其中的物体可能较小且难以仅基于外观识别，需要广泛的上下文信息进行准确检测，且不同物体所需的上下文信息范围不同。为了更好地对这些特性进行建模，提出了
LSK module。 - 结合大核与选择性机制：大核卷积在一些研究中显示出对扩大感受野的有效性，而选择性机制可以动态地根据输入调整模型的行为。将两者结合可以使网络更好地适应遥感图像中不同物体的检测需求。
2.2 原理
2.2.1 大核卷积分解
- 根据对遥感图像的分析，为了自适应地选择和建模多个长程上下文，将大核卷积明确分解为一系列具有逐渐增大的核和扩张率的深度卷积。
- 对于第
