本研究分析了YOLOv12架构，提出了优化的骨干网络和7x7可分离卷积，显著提升了特征提取效率和检测鲁棒性。实验结果表明，YOLOv12在精度和速度上均有显著提升，适用于自动化系统和安全监控等领域。

本研究通过自监督学习预训练真实面部数据集，解决面部伪造检测中的过拟合问题，强调骨干网络在特征提取中的重要性，提升识别性能和推理可靠性。

肺癌和COVID-19是世界上患病率和死亡率最高的疾病之一。研究者提出了一种新的多任务框架，用于从少量医学数据中提取重要特征。他们研究了分类、分割、重建和检测任务，并探讨了不同骨干网络和损失函数在分割任务中的应用。

本文介绍了一种通过简化 ResNet152 骨干网络并分割模型的方法来提高性能和减小模型尺寸和推理速度。实验证明，该技术在 40 个图像分类数据集上的性能与经典骨干微调相当或更好。

该文介绍了一种名为“密集通道压缩特征空间固化”的方法，以及在 YOLOv5 模型中引入的两个创新模块，得到了表现优异的 YOLOCS 模型。该模型在 MSCOCO 数据集上的 AP 得到了提升，且推理速度与 YOLOv5 模型相当。

该文介绍了一种名为动态谱混合器（DSM）的自适应结构，能够高效地学习包含高低频信息的视觉输入的详细特征。实验证明，DSM 是一种功能强大且适应性强的骨干网络，适用于各种视觉识别任务。