一、本文介绍
本文记录的是利用HPDown下采样模块优化YOLO26的目标检测网络模型。
HPDown（Hybrid Pooling Down-sampling）通过通道均分分支、最大/平均混合池化与多尺度卷积特征融合结合，在网络下采样阶段全面保留弱小目标的显著性特征与细节纹理信息。本文利用HPDown模块，先通过通道拆分构建双分支独立下采样路径，分别以最大池化保留目标显著信息、以平均池化抑制背景杂波并辅以多尺度卷积拓宽感受野，再将互补特征高效融合，对图像中微弱、低信噪比小目标进行细节强效保留，避免传统下采样带来的目标信息丢失与背景干扰，在下采样阶段实现显著性特征与细节信息的高效互补，不引入冗余计算且兼容各类主干网络，显著提升复杂背景下弱小目标的检测召回率与分割精度。
专栏目录：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
专栏地址：YOLO26改进专栏——以发表论文的角度，快速准确的找到有效涨点的创新点！
文章目录
- 一、本文介绍
- 二、HPDown介绍
-
- 2.1 设计出发点
- 2.2 模块结构
- 2.3 模块优势
- 三、HPDown的实现代码
- 四、创新模块
-
- 4.1 改进点1⭐
- 五、添加步骤
-
- 5.1 修改一
- 5.2 修改二
- 5.3 修改三
- 六、yaml模型文件
-
- 6.1 模型改进版本1
- 七、成功运行结果
二、HPDown介绍
MTMLNet: Multi-Task Mutual Learning Network for Infrared Small Target Detection and Segmentation
2.1 设计出发点
红外弱小目标尺寸极小、信噪比低，在常规下采样过程中极易丢失目标边缘、纹理与关键细节信息，传统卷积下采样会加剧目标信息湮灭，导致检测与分割漏检、定位不准。因此提出混合池化下采样 HPDown，专为红外小目标保留细节而设计。
2.2 模块结构
HPDown（Hybrid Pooling Down-sampling）采用通道拆分 + 双分支互补下采样结构：
