一、本文介绍
本文给大家介绍一种WTConv小波卷积改进YOLO26网络模型！实验表明，WTConv在ImageNet分类、语义分割和目标检测等多个视觉任务中提升了性能，并增强了网络对图像损坏的鲁棒性与形状偏置。
🔥欢迎订阅我的专栏、带你学习使用最新-最前沿-独家YOLO26创新改进！🔥
YOLO26专栏改进目录：全新YOLO26改进专栏包含卷积、主干网络、各种注意力机制、检测头、损失函数、Neck改进、小目标检测、二次创新模块、多种组合创新改进、全网独家创新等创新点改进
全新YOLO26专栏订阅链接：全新YOLO26创新改进高效涨点+永久更新中（至少500+改进）+高效跑实验发论文
本文目录
一、本文介绍
二、WTConv模块介绍
WTConv模块动机：
WTConv模块优势：
三、WTConv 核心代码
四、手把手教你添加模块和修改tasks.py文件
五、创建涨点yaml配置文件
🚀 创新改进:
六、创新改进，正常运行演示
二、WTConv模块介绍
摘要：近年来，人们尝试增加卷积神经网络 (CNN) 的 kernel size，以模仿 Vision Transformers (ViTs) 自注意力模块的全局 receptive field。然而，这种方法很快达到了上限并饱和，远未实现全局 receptive field。在这项工作中，我们证明了通过利用 Wavelet Transform (WT)，实际上可以获得非常大的 receptive field，而不会受到过度参数化的影响，所提出的层，名为 WTConv，可以用作现有架构中的直接替代品，从而产生有效的多频响应，并随着 receptive field 的大小优雅地扩展。我们展示了 WTConv 层在 ConvNeXt 和 MobileNetV2 架构中用于图像分类以及下游任务骨干网络中的有效性，并表明它可以产生额外的属性，例如对图像损坏的鲁棒性以及对形状
