YOLO与注意力机制的融合正在成为目标检测精度突破的新引擎，从跨尺度特征增强到长程依赖建模，注意力模块的灵活嵌入持续刷新着YOLO系列在小目标、遮挡与密集场景下的性能上限。
本文从近年顶会顶刊中整理了10篇该方向的最新前沿论文，正在做相关课题的伙伴可以直接下方领取论文及代码（部分包含），不管是快速搭baseline、找创新切口，还是跟最新技术趋势，都能省不少从零摸索的功夫。
长按识别下方二维码，回复【yolo注意力】
无偿领全部论文合集及项目代码
An Improved YOLO Lightweight Wood Surface Defect Detection Model Integrated with a Dual-Path Fused Attention Network
融合双路径注意力网络的改进YOLO轻量化木材表面缺陷检测模型
文章内容
本文针对木材缺陷检测中漏检率高、模型复杂度大的问题，在YOLOv5s上提出DFA-Net。核心改进包括：双路径下采样卷积模块DP-DCM融合小波变换与双路径特征分离，在压缩参数的同时保留高频细节；融合注意力模块FAM通过通道与空间双路注意力聚焦缺陷区域；焦点调制网络FMNet采用多尺度卷积核增强长程依赖建模；并以NWD Loss替代CIoU缓解小目标定位偏差。在五类木材缺陷数据集上mAP达92.8%，较基线提升6.5%，参数量仅5.8M，推理速度105 FPS。
R2F-YOLO: Multi-Scale Cross-Modal Residual Fusion for RGB-Thermal Wildfire Flame Detection
面向RGB-红外野火火焰检测的多尺度跨模态残差融合网络
文章内容
本文针对早期野火火焰小目标、夜间低光与高背景反射下RGB-Thermal融合困难的问题，基于YOLOv11提出双模态残差融合框架。核心设计包括：跨尺度残差融合模块CSRF将细粒度证据从浅层持续传播至深层；反向残差增强RRE把高分辨率特征回灌到浅层路径，抑制伪响应；坐标注意力CA与CARAFE内容感知上采样分别用于位置敏感特征校正与精细边界重建；损失函数采用VFL+WIoU+DFL组合。在RGB-T-3M数据集上mAP@0.5达96.6%、mAP@0.5:0.95达63.0%，并在FireMan与UAV-StrawFire数据集上实现零样本跨数据集迁移。
SDS-YOLO: Drone-Based Foreign Object Detection Model for Power Lines Using an Enhanced YOLOv8n Approach
基于改进YOLOv8n的无人机电力线异物检测模型
文章内容
本文面向无人机巡检电力线异物检测场景，在YOLOv8n上提出SDS-YOLOv8n，兼顾精度与轻量化。三项关键改进：Enhanced SPPF在原结构中并行接入全局平均池化与全局最大池化分支，增强边缘与背景信息保留；Dynamic Detection Head将解耦头升级为尺度感知、空间感知与任务感知三路注意力聚合，自适应风筝、鸟巢等异形目标；检测头前嵌入无参数SimAM注意力，基于最小能量函数同时建模通道与空间重要性。在自建5000张无人机巡检数据集上mAP@0.5达95.8%、mAP@0.5:0.95达75.1%，参数量仅2.75M，可在Jetson Orin Nano边缘端实时运行。
↓↓听说在下方一键三连的都Accept了🌝
