YOLOv11涨点改进 | 独家组合多种创新改进篇 | TGRS 2025 | 将FCM与FFM联合应用于YOLOv11,实现特征“校正+融合”,助力小目标检测高效涨点(独家首发改进、可以发论文)

一、本文介绍

本文介绍将FCM与FFM联合应用于YOLOv11,可实现特征“校正+融合”的闭环优化机制,显著提升模型在复杂环境下的检测精度、鲁棒性与多尺度感知能力,同时保持高效推理性能。具体怎么使用请看全文!

专栏改进目录:YOLOv11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、C2PSA/C3k2二次创新改进、全网独家创新等创新点改进

全新YOLOv11-发论文改进专栏链接:全新YOLOv11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

目录

一、本文介绍

二、论文FCM与FFM模块介绍

2.1 FFM和FCM模块的结构图

2.2 联合FFM 与 FCM 的优势

1. 提升特征质量,增强检测精度

2. 增强多尺度融合能力

3. 提高模型鲁棒性与泛化能力

4. 模块高效,适配实时需求

三、完整核心代码

 四、手把手教你配置模块和修改task.py文件

1.首先在ultralytics/nn/newsAddmodules创建一个.py文件

2.在ultralytics/nn/newsAddmodules/__init__.py中引用

3.修改task.py文件

五、创建涨点yaml配置文件

🚀 创新改进 : yolov11n_FeatureFusion_FCM.yaml

六、正常运行

 

二、论文FCM与FFM模块介绍

摘要:多源遥感图像(RSIs)能够捕捉地物的互补信息,应用于语义分割任务中。然而,不同传感器获取的多模态数据之间存在不一致性和干扰噪声,因此如何有效减少不同模态之间的差异和噪声,并充分利用其互补特征,仍是一项挑战。本文提出了一种通用的跨融合Transformer框架(CFFormer),用于多源遥感图像的语义分割。该框架采用并行双分支结构,分别从不同模态中提取特征。我们设计了一个特征校正模块(FCM),通过在空间和通道维度上结合其他模态的特征,对当前模态的特征进行校正。同时,提出的特征融合模块(FFM)利用多头跨注意力机制,实现不同模态特征的全局交互与融合,从而全面挖掘多源RSIs中的互补信息。实验结果表明,CFFormer在精度和鲁棒性方面均优于现有多源语义分割方法。例如,在WHU-OPT-SAR数据集上,CFFormer的平均交并比(mIoU)为58%、总体精度(OA)为85.35%,分别超过第二优方法4.71%和1.74%。在Vaihingen和Potsdam数据集上,CFFormer同样取得最佳性能,mIoU/OA分别达到84.31%/91.88% 和 88.62%/92.64%。

别再只用CNN或Transformer了!手把手教你用PyTorch实现FFM特征融合模块(附完整代码) 本文详细介绍了如何使用PyTorch实现FFM(Feature Fusion Module)特征融合模块,解决CNN与Transformer简单拼接导致的特征冲突、维度错配等问题。通过通道注意力门控、跨域注意力融合等三重设计,FFM模块能有效融合两种架构的优势,提升视觉任务性能。文章包含完整代码实现、避坑指南及实际应用案例,帮助开发者快速掌握这一即插即用模块。 阅读详情

相关推荐

【深度学习|特征增强融合模块】FeatureAggregationModule (FAM) 双边语义分割模型中的空间语义融合模块升级

【深度学习|特征增强融合模块】FeatureAggregationModule (FAM) 双边语义分割模型中的空间语义融合模块升级

985小水博的摸鱼日常 2230

YOLOv13涨点改进 | 全网独家组合多种创新改进篇 | TGRS 2025 | 将FCM与FFM联合应用于YOLOv13,实现特征“校正+融合”,助力小目标检测高效涨点(独家首发改进、可以发论文)

本文提出了一种结合特征校正模块(FCM)和特征融合模块(FFM)的优化方法,用于提升YOLOv13在复杂环境下的目标检测性能。FCM通过空间和通道维度自适应校正特征,消除冗余与噪声;FFM利用多头跨注意力机制实现跨模态特征融合。二者联合形成"先校正后融合"的闭环优化机制,显著提升了模型在检测精度、多尺度感知和鲁棒性方面的表现。实验结果表明,该方法在多个数据集上取得了领先的性能指标,同时保持了高效推理速度。文章还提供了详细的模块实现代码和YOLOv13集成配置方案。

Ai缝合怪、助力小伙伴高效发论文 272

全新YOLOv11有效涨点改进专栏目录 | 本专栏持续更新500+篇内容 | 包含各种卷积、主干网络、各种注意力机制、检测头、损失函数、小目标检测改进、二次创新模块、独家创新等几百种创新点改进

YOLOv11专栏持续更新500+种创新改进方案,涵盖卷积优化、注意力机制、主干网络、Neck特征融合、检测头、小目标检测等核心模块。提供独家创新点组合方案、模型轻量化改进及最新Mamba架构融合技术,配套完整实验代码和训练参数解析。订阅用户可加入专属答疑群,获取一键运行项目支持。专栏包含YOLOv11网络结构详解、配置文件解读等入门必读内容,助力科研论文发表与模型性能提升。限时开放订阅通道,提供多种涨点改进方案组合,满足不同研究需求。

Ai缝合怪、助力小伙伴高效发论文 4032

YOLOv13有效涨点改进专栏目录 | 本专栏持续更新500+篇内容 | 包含各种卷积、主干网络、各种注意力机制、检测头、损失函数、小目标检测改进、二次创新模块、独家创新等几百种创新点改进

《YOLOv13改进专栏重磅更新》推出500+创新改进方案,涵盖卷积、主干网络、注意力机制、检测头等核心模块优化。专栏提供完整项目代码及答疑服务,包含YOLOv13网络结构解析、环境配置、模型训练全流程指导。内容分为八大模块:卷积优化、注意力机制、细节涨点、主干网络改进、特征融合、检测头优化、小目标检测及Mamba联合改进等,支持多种创新点组合应用,助力科研论文发表。现开放限时订阅,提供试读章节和详细技术解析。

Ai缝合怪、助力小伙伴高效发论文 3411

全新YOLO26有效涨点改进专栏目录 | 本专栏持续更新500+篇内容 | 包含各种卷积、主干网络、各种注意力机制、检测头、损失函数、小目标检测改进、二次创新模块、独家创新等几百种创新点改进

🔥《2026年YOLO26改进专栏》🔥 🚀持续更新500+最前沿创新改进点(顶会顶刊论文/独家创新策略),涵盖主干网络、各种卷积、注意力机制、检测头等模块,助力科研论文发表与模型性能提升,支持检测/分割/分类任务。订阅即获完整可运行项目,提供专业QQ答疑群,适合科研发论文(SCI/CCF/核心)及工业应用(PCB/医学/遥感检测)。专栏价格将逐步上涨,早订更优惠! ⭐特色:非计算机专业友好、模块可自由组合、全网独家创新;📌适用:研究生大论文和小论文创新、小目标检测、多领域科研应用,满足不同研究需求。

Ai缝合怪、助力小伙伴高效发论文 5206

YOLOv12涨点改进 | 独家组合多种创新改进篇 | TGRS 2025 | 将FCM与FFM联合应用于YOLOv12,实现特征“校正+融合”,助力小目标检测高效涨点(独家首发改进、可以发论文)

🔥本文介绍将FCM与FFM联合应用于YOLOv12,可实现特征“校正+融合”的闭环优化机制,显著提升模型在复杂环境下的检测精度、鲁棒性与多尺度感知能力,同时保持高效推理性能。具体怎么使用请看全文!YOLOv12改进包含各种卷积、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、A2C2f二次创新、独家创新等几百种创新点改进。全新YOLOv12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。

Ai缝合怪、助力小伙伴高效发论文 169

YOLOv12改进专栏目录 | 本专栏持续更新500+篇内容 | 包含各种卷积、主干网络、各种注意力机制、检测头、损失函数、小目标检测改进、二次创新模块、独家创新等几百种创新点改进

《YOLOv12高效涨点改进专栏》提供500+创新改进方案,涵盖卷积、主干网络、注意力机制等模块优化,适用于检测、分割等任务。改进点来自顶会论文和个人经验,支持多种模型版本和任务场景。专栏包含详细教程、数据集增强、性能评估工具等,帮助科研人员快速实现模型优化和论文发表。提供完整运行项目和环境配置指导,适合计算机及相关专业研究人员使用,持续更新保障长期科研需求。

Ai缝合怪、助力小伙伴高效发论文 2344

YOLOv11涨点改进 | 全网独家小目标检测涨点改进篇 | TGRS 2024顶刊 | 让 YOLOv11 引入FEM、FFM和SCAM即插即用模块,助力遥感小目标检测有效涨点

本文提出FFCA-YOLO模型,通过在YOLOv11中引入三个创新模块(FEM、FFM和SCAM)显著提升了遥感图像小目标检测性能。FEM增强局部特征感知,FFM优化多尺度特征融合,SCAM建模全局空间关系。实验表明,该模型在VEDAI、AI-TOD和USOD数据集上mAP50分别达到0.748、0.617和0.909,超越基准模型。同时开发了轻量版L-FFCA-YOLO,通过PConv重构降低了计算成本。文章详细介绍了模块原理、代码实现及配置方法,为小目标检测提供了高效解决方案。

Ai缝合怪、助力小伙伴高效发论文 403

YOLOv13涨点改进 | 特征融合Neck改进篇 | TGRS 2025 | 引入FFM特征融合模块,实现特征的全局交互与融合,适合小目标检测、助力YOLOv13有效涨点--(全网独家创新首发)

本文提出了一种用于YOLOv13目标检测模型的改进模块——特征融合模块(FFM)。该模块通过跨模态注意力机制实现全局特征融合,显著提升了模型对小目标、密集目标及复杂场景的检测精度。FFM采用多头跨注意力机制建模不同模态间的复杂关系,同时引入可调节下采样卷积降低计算复杂度,实现精度与效率的平衡。实验表明,FFM在多个数据集上均取得性能提升。文章详细介绍了FFM的结构、优势及实现方法,并提供了完整的代码实现和配置步骤,为YOLOv13模型改进提供了有效解决方案。

Ai缝合怪、助力小伙伴高效发论文 231

YOLOv11涨点改进 | Conv篇/小目标改进 | AAAI 2025 两个轻量级FCM和MKP模块, FBRT-YOLOv11助力无人机航拍任务VisDrone、UAVDT和AI-TOD高效涨点

本文提出FBRT-YOLO模型,通过引入两个轻量级模块FCM和MKP优化YOLOv11性能。FCM模块通过通道分离-定向转换-互补映射-特征聚合"策略,解决小目标信息丢失问题;MKP模块利用多尺度卷积核增强对不同尺寸目标的感知。在VisDrone、UAVDT和AI-TOD数据集上的实验表明,该模型在精度和速度上均优于现有实时检测器。文章详细介绍了模块结构、核心代码实现及配置文件修改方法,为航拍图像中的小目标检测提供了高效解决方案。

Ai缝合怪、助力小伙伴高效发论文 505

docker安装fastdfs+nginx配置

docker安装fastdfs+nginx,实现图片或文件的上传与下载

weixin_47325126的博客 2194

【深度学习】tensorboard中的图片放到论文中

1. 利用tensorboard中的导出数据功能 选中左上角的标签,然后选择csv格式的数据下载即可。 左边的smoothing 数值不影响导出数据的大小。 2.tensorboard 图下标签介绍: 放大 Toggle y-axis log scale:将y轴对数化 Fit domain to data:如果拖动了图片等,再重新回到原始位置 Download Current Chart as SVG 3.用下载下来的csv数据来画图 第一幅图片:训练的平均长度 fig, ax1 = plt.sub

gaocui883的博客 1万+

Hermes Agent Windows安装教程:本地智能体离线部署实战

本地智能体(Local Agent)是一种运行在用户设备端、无需云端依赖即可响应自然语言指令并自动化执行任务的轻量级AI运行时框架。其核心原理基于配置驱动的任务监听与脚本调用机制,通过服务化驻留实现持续响应能力,技术价值在于保障数据隐私、规避API调用限制、适配内网及老旧系统环境。典型应用场景包括财务报表自动整理、科研仪器数据归档、IT资产变更通知等Windows桌面自动化需求。本文聚焦Hermes Agent这一主流开源实现,围绕Windows平台特有的服务注册、权限模型、杀软拦截、中文路径与YAML编码

weixin_34411563的博客 436

MuJoCo 相机图片怎么拿?视角调整获取物体图片及实时显示(附代码)

在Mujoco的仿真中,对于识别抓取场景来说,如何获得添加的body等物体的实时图像很重要,今天就分享下如何添加相机视角及可视化小方块(举例)的实时图片。复制一个scene.xml为scene_withcamera.xml,在xml中添加camera和小方块如下。设置xml文件中添加的相机body id。需要创建一个离屏渲染器。

darcsdn 2129

HDI盲埋孔设计规范:高速PCB信号完整性落地指南

盲埋孔是高密度互连(HDI)PCB实现高速信号完整性的关键技术,其本质是通过控制过孔stub长度、优化回流路径和提升布线密度,解决GHz级信号在传统通孔结构下出现的谐振、串扰与EMI超标问题。其设计核心在于叠层物理约束、电气参数建模与工艺能力协同,涉及stub长度计算、反焊盘尺寸推导、孔壁粗糙度Rz控制等关键指标。广泛应用于DDR4、PCIe Gen4、USB3.2等高速接口的PCB设计中,尤其在车载ADAS、5G基站及FPGA载板等对SI/PI要求严苛的场景中成为刚性门槛。

weixin_34416754的博客 439

Cocos Creator3.5.2使用Spine切换皮肤

3、然后获取当前spine中是否有皮肤数据,如果spine连皮肤数据都没有,接着写可能会error,这里的 skins[skin],是判断皮肤列表中是否有需要更换的皮肤。2、因为spine往往意味着异步加载,换肤时也经常出现频繁异步的情况,所以下一步我们要可以判断当前spine组件里是否已经加载好了spine文件。换肤前隐藏好需要换肤的节点,避免穿帮;官网文档的换肤流程太简化,对于实际使用来说会有各种各样的问题。1、首先获取对应的spine组件。这里的skin自然是外部传入的需要换肤的皮肤名。

tc654321的博客 1822

S7-1200中通过MODBUS TCP客户端在一次请求中实现从服务器读写一个或多个保持性寄存器的具体方法

S7-1200中通过MODBUS TCP客户端在一次请求中实现从服务器读写一个或多个保持性寄存器的具体方法

Robot_PLC_HMI_Automation 4226

【四足机器人项目实战】MIT四足机器人力控电机优劣分析及解决办法

系列文章目录 提示:这里可以添加系列文章的所有文章的目录,目录需要自己手动添加 TODO:写完再整理 文章目录系列文章目录前言一、mit力控电机方案二、弊端三、优点四、解决办法设计相关看专栏其他博客 前言 认知有限,望大家多多包涵,有什么问题也希望能够与大家多交流,共同成长! 本文先对XXX做个简单的介绍,具体内容后续再更,其他模块可以参考去我其他文章 提示:以下是本篇文章正文内容 一、mit力控电机方案 MITCheetahMini驱动器采用的电机是类似于公版电机T-MotorU8的型号

qq_35635374的博客 6093

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

上一篇: YOLOv11涨点改进 | 特征融合Neck改进篇 | TGRS 2025 | 引入FFM特征融合模块,实现特征的全局交互与融合,适合小目标检测、助力YOLOv11有效涨点--(全网独家创新首发)
下一篇: 【CVPR2024 RT-DETR 全文解读】实时目标检测更快更准、帮助你更好去理解、适合小白快速入门了解RT-DETR模型
Ai缝合怪 博士
博客等级 码龄7年 2963粉丝 1907原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值