0 GELAN Block

GELAN（generalized efficient layer aggregation network），其核心理念是参考了ELAN中的“多梯度流路径”的思想。使得梯度在回传的时候，能够有更多的路径向前回传，令每一层都尽可能有一个“残差路径”使得更多有效的梯度回传回来进而做有效的参数更新。

不难发现，ELAN中的3×3卷积其实可以进一步使用一些更加复杂的模块来替代，例如残差模块、CSP模块等，由此，也就设计出了更加通用的GELAN模块，其中的“G”便是英文单词generalized的首字母。

# yolov9/models/common.py

class RepNCSPELAN4(nn.Module):
    # csp-elan
    def __init__(self, c1, c2, c3, c4, c5=1):  # ch_in, ch_out, number, shortcut, groups, expansion
        # c1:输入通道数 c2:输出通道数 c3:中间层通道数 c4:分支网络的通道数 c5:用于控制RepNCSP模块的内部结构
        super().__init__()
        self.c = c3//2
        self.cv1 = Conv(c1, c3, 1, 1)
        self.cv2 = nn.Sequential(RepNCSP(c3//2, c4, c5), Conv(c4, c4, 3, 1))
        self.cv3 = nn.Sequential(RepNCSP(c4, c4, c5), Conv(c4, c4, 3, 1))
        self.cv4 = Conv(c3+(2*c4), c2, 1, 1)

    def forward(self, x):
        y = list(self.cv1(x).chunk(2, 1))
        y.extend((m(y[-1])) for m in [self.cv2, self.cv3])
        return self.cv4(torch.cat(y, 1))

    def forward_split(self, x):
        y = list(self.cv1(x).split((self.c, self.c), 1))
        y.extend(m(y[-1]) for m in [self.cv2, self.cv3])
        return self.cv4(torch.cat(y, 1))

1 YOLO11

1.1 C3K2模块

1.2 C2PSA模块

1. PSA

Pyramid Squeeze Attention (PSA) 是一种高效的注意力机制，旨在提升卷积神经网络在多尺度特征提取中的表现。PSA 模块通过引入不同大小的卷积核来提取多尺度的空间信息，同时结合 Squeeze-and-Excitation (SE) 模块对特征通道进行加权，从而增强网络对不同尺度目标的注意力聚焦。

PSA 模块使用不同大小的卷积核（如 3x3、5x5、7x7 等），并行处理输入特征图。每个卷积核能够在不同的感受野上提取特征，从而捕捉多尺度信息。卷积核越大，感受野越大，适合检测大物体；卷积核越小，适合捕捉小物体的细节。

2. C2PSA

CSP与PSA的结合，用于提升网络多尺度特征提取能力。

2 YOLO12

2.1 R-ELAN

• R-ELAN 引入了残差连接，通过在输入和输出之间添加直接的梯度路径，增强了模型的优化能力。

• 这种设计有助于缓解梯度消失问题，提高模型的训练稳定性。

2.2 Area Attention (A2)

3 YOLO13

3.1 HyperACE

HyperACE 是一种基于超图的自适应关联增强机制，旨在突破现有方法仅能建模成对关联的局限，实现全局多对多高阶关联的自适应捕捉，提升复杂场景下的特征融合与感知能力。

基于 C3AH 模块，通过自适应超图计算以线性复杂度建模高阶视觉关联。

• 自适应超边生成：以多尺度特征图像素为顶点，通过可学习的超边原型（结合全局偏移量）和多头相似度计算，动态生成连续的参与度矩阵（而非手动设置阈值），自适应建模顶点间的高阶关联。

• 超图卷积：先通过超边聚合顶点特征并线性投影形成超边特征，再将超边特征分发回顶点更新表示，实现关联引导的特征增强。

**FullPAD：**将 HyperACE 生成的关联增强特征高效分配到网络全流程，实现细粒度信息流动与表示协同，提升整体检测性能。

HyperACE 输出的增强特征 Y 经尺寸调整和通道适配后，通过三个独立隧道分发至：

• backbone 与 neck 的连接处；

• neck 的内部层；

• neck 与 head 的连接处。

对于每个阶段的特征图，采用门控融合（$\tilde{F}_i = F_i + \gamma H_i$