YOLOv13改进策略【特征提取层】| YOLO-MS中的MSBlock：分层多分支 + GQL 引导，多尺度特征增强与污染空间信息过滤

一、本文介绍

本文记录的是利用YOLO-MS中的MSBlock优化YOLOv13。

MSBlock的结构融合了“分层多分支特征提取”与“全局查询动态引导”两大核心机制，通过分层多分支结构、全局查询学习（GQL）机制及倒置瓶颈模块（IBM/SIBM），实现差异化多尺度特征提取与污染空间信息过滤，完成特征多样性增强与定位精度优化。在加入 YOLOv13 中以后，通过改进原模型的 DSC3k2 基础模块，构建含 3 条差异化感受野的分支，同时集成 GQL 机制动态平衡各分支权重、适配 HKS 协议在不同阶段选择异质卷积核，并保留原模型的特征融合路径以维持特征传递连续性，实现全局跨阶段信息引导与局部细粒度特征、多尺度高 - 低阶语义信息的互补感知。

---

专栏目录：YOLOv13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：YOLOv13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！

---

二、MSBlock模块原理介绍

YOLO-MS: Rethinking Multi-Scale Representation Learning for Real-time Object Detection

2.1 设计出发点

MSBlock的提出旨在解决现有实时目标检测器基础模块（如CSP、ELAN、Res2Net）在多尺度特征学习中的两大核心问题：

1. 分支特征同质化，多尺度信息不足
   主流模块（CSP、ELAN）的分支特征存在冗余和同质化问题（文档1中图1的特征可视化与D值分析显示，其分支间特征多样性低），无法有效捕捉不同尺度物体的细粒度与粗粒度信息，限制多尺度检测性能。
2. 污染空间信息干扰，检测精度受损
   Res2Net虽通过分层多分支结构提升了特征多样性，但会引入与目标无关的“污染空间信息”（文档1中图1可视化），导致模型对目标的定位准确性下降，反而影响检测效果。

因此，MSBlock的设计目标是：在提升分支特征多样性以增强多尺度信息的同时，减少污染空间信息，实现“高效多尺度特征学习”与“精准目标定位”的平衡。

2.2 模块结构

2.2.1 输入特征变换与分组

• 设输入特征为