YOLO11涨点改进 | 全网独家复现、小目标检测改进篇 | TGRS 2025 | YOLOv11引入MFAE-YOLO中的GFFP、FCPS 和 C3k2-FPEU创新点,涨点起飞,直接发论文

一、本文介绍

🔥本文给大家介绍在YOLOv11中引入MFAE-YOLO中的 GFFP(全局特征融合处理)、FCPS(特征通道像素注意力) 和 C3k2-FPEU(特征池提取单元) 二次创新改进模块,能显著提升对小目标的检测性能。GFFP通过多尺度特征融合增强全局上下文感知能力,有效提升小目标在复杂背景下的可辨性;FCPS融合通道、像素和空间注意力机制,增强了模型对关键细节和小区域特征的关注,提升检测精度;C2F-FPEU利用多种池化方式挖掘细节特征,优化浅层特征表示能力。三者协同提升了YOLOv11在小目标检测中的鲁棒性、精度和多尺度适应性,同时保持了检测速度的优势。涨点起飞,直接发论文!

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

本文目录

一、本文介绍

二、MFAE-YOLO顶刊论文创新点介绍

2.1 MFAE-YOLO顶刊论文创新点总结:

2.2 GFFP(全局特征融合处理)模块作用

2.3 FCPS(特征通道像素注意力)模块作用

2.4 C2F-FPEU(特征池提取单元)模块作用

2.5 AIoU损失函数介绍

2.6 AIoU 损失函数的原理

2.7 AIoU 损失函数的优势

三、MFAE-YOLO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tasks.py文件

五、创建涨点yaml配置文件

🚀 创新改进1⭐⭐: MFAE-YOLOv11.yaml

🚀 创新改进2⭐: MFAE-YOLO.yaml

六、正常运行,高效发论文!

创新改进1⭐:MFAE-YOLOv11 正常运行

TGRS2025 顶刊原文复现⭐:MFAE-YOLO正常运行


 

二、MFAE-YOLO顶刊论文创新点介绍

摘要:在航空遥感图像中进行目标检测对交通管理、公共安全和生态监测等应用至关重要。然而,现有方法在处理多尺度目标、复杂背景和频繁遮挡时存在困难,导致全局特征提取不足和多尺度损失计算不稳定。为解决这些问题,我们提出了多特征注意力增强型仅需一次检测(MFAE -YOLO)网络。该方法通过引入全局特征融合处理(GFFP)模块来提升全局特征提取能力。主干网络融合了通道、像素和空间(FCPS)注意力模块以增强特征表征,同时采用C2F特征池提取单元(C2F-FPEU)优化基于池化的特征提取。此外,我们还提出了一种精确的交并比(AIoU)损失函数来优化边界框回归。在 NWPU VHR -10、 RSOD 和DIOR数据集上的实验表明, MFAE -YOLO超越了现有最先进方法,分别达到94.7%、94.8%和67

YOLO13涨点改进 | 全网独家复现、小目标检测改进篇 | TGRS 2025 | YOLOv13引入MFAE-YOLO中的GFFP、FCPS 和 DSC3k2-FPEU创新点,涨点起飞,直接发论文 本文提出了一种改进的MFAE-YOLO目标检测方法,通过引入三个创新模块显著提升了小目标检测性能。GFFP模块增强全局特征融合能力,FCPS模块结合通道、像素和空间注意力机制,DSC3k2-FPEU优化特征池化提取。此外,还提出了AIoU损失函数改进边界框回归精度。实验在遥感数据集上验证了该方法的有效性,mAP50达到94.7%-94.8%。文章详细介绍了模块原理、代码实现和配置文件修改方法,为YOLOv13提供了一套完整的小目标检测改进方案,同时保持了检测速度优势。 阅读详情

相关推荐

ProgLoss+STAL 技术详解:YOLO26 小目标检测增强方案

本文提出了一种基于ProgLoss渐进式损失函数和STAL小目标感知标签分配的YOLO26增强方案。针对小目标检测中特征信息少、正负样本不平衡等难题,STAL通过尺度感知的标签分配策略动态调整候选样本数量和IoU阈值,为小目标分配更多正样本;ProgLoss则根据训练阶段动态调整分类和回归损失的权重,早期侧重定位能力,后期加强分类精度。实验表明,该组合方案显著提升了小目标检测性能,在COCO数据集上小目标AP达到38.2%,比基线提升6.5个百分点。该方法为遥感、监控等场景的小目标检测提供了有效解决方案。

一键难忘的博客 1292

YOLO26 小目标检测技术:遥感 / 工业 / 交通场景适配

YOLO26小目标检测技术针对遥感、工业和交通场景进行了优化适配。研究背景显示,小目标检测在多个领域具有重要应用价值,但面临特征丢失、样本失衡等挑战。YOLO26通过STAL标签分配和ProgLoss训练策略进行优化,并针对不同场景特点采用差异化配置:遥感场景增强感受野和上下文融合,工业场景注重细节保留和高精度定位,交通场景优化实时性和跟踪辅助。核心代码实现了场景自适应的网络架构和数据增强策略,包括目标复制粘贴和Mosaic增强等技术,有效提升了小目标检测性能。

一键难忘的博客 618

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 4031

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 5204

YOLO11涨点改进 | 独家创新、损失函数改进篇 | TGRS 2025顶刊 | 带来AIoU小目标涨点损失函数,增强了目标检测中对边界框形状和尺寸的敏感度,适合复杂场景和小物体检测中有效涨点

本文提出了一种优化YOLOv11模型的小目标检测方法——AIoU损失函数。该函数通过整合IoU、距离损失和形状损失,显著提升了边界框回归精度,尤其在复杂场景和小物体检测中效果突出。AIoU能有效处理相同长宽比但尺寸不同的边界框,改进传统IoU的不足。实验表明,该方法在遥感图像检测任务中表现优异,平均精度达94.7%。文章详细介绍了AIoU的原理、核心代码实现及在YOLOv11中的集成方法,为小目标检测提供了新的技术方案。

Ai缝合怪、助力小伙伴高效发论文 488

YOLO系列小目标检测终极方案:YOLO26 STAL vs YOLOv12注意力 vs YOLOv8动态锚框

小目标检测技术对比:YOLO26 STAL、YOLOv12注意力与YOLOv8动态锚框 小目标检测面临特征表达不足、标签失衡和漏检三大挑战。2023-2026年,Ultralytics推出三大优化方案:YOLOv8采用动态锚框+TAL标签分配,YOLOv12引入全注意力架构,YOLO26创新性提出STAL小目标感知标签分配。三者分别从框生成、特征增强和训练策略角度提升小目标检测性能。测试显示,YOLO26 STAL在COCO小目标检测上mAP达40.9%-47.8%,推理速度最快且部署友好;YOLOv12在

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 863

小目标检测之改进的YOLOV11算法

MASF-YOLO通过多尺度特征聚合注意力增强自适应融合三大核心创新,显著提升了无人机视角下的小目标检测性能。

hasakie的博客 1720

YOLO26涨点改进 | 独家小目标涨点、损失函数改进篇 | 引入ATFLoss损失函数,适合小目标检测,解决检测目标与背景失衡问题,助力YOLO26轻松有效涨点,高效发论文

Tiny-COCO是COCO数据集的极小目标子集,包含80个类别,重点筛选极小目标(像素尺寸<16×16,占图像总面积<0.5%),极小目标占比35%,背景样本占比92%,场景涵盖户外监控、无人机远景拍摄,背景复杂(包含树木、建筑、地面等干扰元素),完美模拟真实极小目标检测场景,适合验证ATFLoss对极小目标的优化效果。

qq_36130719的博客 149

YOLOv26【第二章:官方核心特性原理篇·第9节】STAL 机制解析——YOLOv26 小目标优化路线!

🏆 本文收录于 《YOLOv26实战:从入门到深度优化》 专栏。该专栏系统复现并梳理全网各类 YOLOv26 改进与实战案例(当前已覆盖分类 / 检测 / 分割 / 追踪 / 关键点 / OBB 检测等方向),坚持持续更新 + 深度解析,质量分长期稳定在 97 分以上,可视为当前市面上 覆盖较全、更新较快、实战导向极强 的 YOLO 改进系列内容之一。

**My Coding Family** 494

YOLO26优化:损失篇 | 原创自研 | 一种基于小目标改进的多尺度的动态(SD)损失

小目标检测的核心痛点是:小目标的 IoU 值本身偏低,且原 SDIoU 的惩罚项(距离 / 形状)对小目标过度惩罚,导致小目标的 IoU 得分被进一步压低。

①答疑群聊服务;②YOLO大模型知识问答系统;③计算机视觉论文生成智能体; 777

基于 YOLOv26 的机场航拍小目标检测系统:技术详解与模型原理

本文详细介绍了基于YOLOv26的机场航拍小目标检测系统。针对航拍图像中目标小、密集、背景复杂等特点,YOLOv26通过端到端轻量化架构、MuSGD优化器、小目标增强和旋转框优化等技术,在精度、速度和轻量化方面取得平衡。系统采用CSPDarknet骨干网络和FPN+PAN多尺度特征融合,支持旋转目标检测和实例分割。通过Mosaic数据增强、Tile推理和AMP混合精度训练等优化策略,显著提升小目标检测性能。实验表明,该系统在机场安防、无人机监控等场景中可实现高效、可靠的实时小目标检测,CPU推理速度提升43

一键难忘的博客 386

YOLO26小目标检测实战:STAL标签分配+MuSGD优化,VisDrone数据集漏检率降50%

小目标检测是计算机视觉的经典难题,而VisDrone数据集小目标占比极高:数据集中小目标(像素面积<32×32)占比超过60%,且大量目标仅为几个像素,特征信息极度匮乏;背景复杂且干扰多:无人机航拍场景包含建筑物、树木、人群、车辆等复杂背景,小目标易被背景淹没;尺度变化与遮挡严重:同一目标在不同帧中尺度差异大,且小目标极易被其他目标遮挡;传统模型的固有缺陷标签分配策略(如ATSS、SimOTA)偏向大目标,小目标的正样本分配不足,导致模型对小目标不敏感;

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 1187

YOLO26优化:注意力魔改 | 归一化的注意力模块(NAM),高效且轻量级的注意力机制

NAM作为一种高效且轻量级的注意力机制。采用了CBAM的模块集成并重新设计了通道和空间注意子模块

①答疑群聊服务;②YOLO大模型知识问答系统;③计算机视觉论文生成智能体; 548

【SPSS实战】手动实现Quade非参数协方差分析:从数据准备到结果解读

本文详细介绍了在SPSS中手动实现Quade非参数协方差分析的实战方法。当数据不满足正态分布等参数检验假设时,通过将协变量和因变量转换为秩,并利用秩回归残差进行Kruskal-Wallis组间比较,提供了一种清晰、可操作的近似解决方案。该方法有效解决了非正态数据的协变量调整问题,适用于实验研究和调查数据分析。

bean的博客 469

GSM的“时间管理大师”:TDMA时隙、突发脉冲与逻辑信道映射实战图解

本文深入解析GSM网络中的TDMA时隙调度与逻辑信道映射技术,揭示2G网络如何通过精密的时间管理和突发脉冲设计实现高效通信。从TDMA帧结构到GMSK调制优化,详细介绍了GSM的工程艺术及其在现代通信中的延续价值。

weixin_30631587的博客 514

开关电源设计实战:如何用AP值快速选型磁芯(附计算公式推导)

本文为开关电源工程师提供了基于AP值的磁芯快速选型实战指南。文章深入解析了AP值作为磁芯‘功率吞吐量’指标的核心物理意义,并通过详细的公式推导和24W反激电源设计实例,手把手演示如何利用AP值计算公式,结合电流密度、窗口利用率等关键参数,从众多磁芯型号中高效筛选出合适型号,同时强调了选型后的关键校验步骤与常见误区。

weixin_29234239的博客 883

WSL2 Ubuntu 22.04安装NVIDIA驱动避坑指南:从驱动版本选择到CUDA环境验证

本文详细介绍了在WSL2 Ubuntu 22.04中安装NVIDIA驱动和配置CUDA环境的完整流程,包括驱动版本选择、环境变量设置以及常见问题解决方案。通过本指南,用户可以避免常见的安装陷阱,确保GPU加速环境正确配置,适用于深度学习开发和CUDA编程。

weixin_28419039的博客 465

深入解析SGLang框架:从架构设计到核心组件实现

本文深入解析了SGLang框架的架构设计与核心组件实现。SGLang是一个专为大语言模型推理设计的高效框架,其核心优势在于清晰的分层架构、高效的调度策略以及精细的内存管理。文章详细剖析了其客户端接入、服务器端调度、模型执行引擎及Tokenizer/Detokenizer管理器等关键组件,揭示了其实现高性能推理的内部机制。

coffee的博客 580

【openGauss实战1】openGauss基于CentOS8的部署

基于openGauss数据库在CentOS8上的安装实践。

IT邦德 3053

把 sy-* 带进 ABAP CDS:ABAP 7.50 里的环境信息新姿势($session 与 @Environment.systemField 实战)

摘要:ABAP 7.50在CDS视图中引入两种获取环境信息的方式:1)直接使用$session会话变量读取用户、客户端和系统语言;2)通过@Environment.systemField注解参数,由Open SQL自动注入系统字段。$session方式简单但依赖Open SQL访问路径,非ABAP环境下可能失效;注解参数方案更工程化,依赖关系明确且支持测试。建议ABAP体系内优先使用$session,对外接口采用参数化方案。两种方式各有适用场景,正确选择可避免潜在风险。(148字)

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 156

手把手实现:从0到1构建基于3D Faster R-CNN的肺部结节自动检测系统(附完整代码与避坑指南)

亲爱的同学,当你能完整实现“3D Faster R-CNN肺部结节检测系统”,你会发现医学影像AI的毕设课题充满挑战与成就感。我们围绕3D Faster R-CNN模型,从数据处理、模型搭建到实验验证,一步步带你打造一个能精准检测肺部结节的智能系统,让你的毕设既体现技术深度,又能为肺部疾病早期诊断贡献实用价值。是专为3D医学影像设计的目标检测模型,能在三维CT数据中自动定位、识别肺部结节——这一课题兼具“临床价值”和“技术挑战性”,是毕设的优质选择,能充分展现你的工程能力和科研敏感度。

m0_71589036的博客 133

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

上一篇: YOLO13涨点改进 | 全网独家复现、小目标检测改进篇 | TGRS 2025 | YOLOv13引入MFAE-YOLO中的GFFP、FCPS 和 DSC3k2-FPEU创新点,涨点起飞,直接发论文
下一篇: YOLO11涨点改进 | 独家创新、损失函数改进篇 | TGRS 2025顶刊 | 带来AIoU小目标涨点损失函数,增强了目标检测中对边界框形状和尺寸的敏感度,适合复杂场景和小物体检测中有效涨点
Ai缝合怪 博士
博客等级 码龄7年 2963粉丝 1907原创
评论
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