YOLOv13涨点改进 | 独家小目标涨点改进篇 | TGRS 2025 | YOLOv13引入ABRNet小目标检测顶刊中的：ARF自适应性感受野和MCA双向交叉轴注意力，适合小目标检测有效涨点

一、本文介绍

🔥本文给大家介绍将ARF模块和BC模块集成到YOLOv13小目标检测中，可以显著提升其在复杂背景下的性能。ARF模块通过自适应调整感受野大小，有效捕获多尺度目标特征，减少背景干扰，提高了目标检测的精度和计算效率。BC模块则通过MCA多尺度交叉轴注意力机制增强了全局信息提取和特征融合，提升了目标定位和分类的准确性，尤其在红外小目标检测中，能够准确提取细粒度特征。两者结合使YOLOv13在复杂背景和实时目标检测任务中表现更加出色。

展示部分YOLOv13改进后的网络结构图、供小伙伴自己绘图参考：

🚀 创新改进结构图:  yolov13n_DSC3k2_ARF.yaml

专栏改进目录：YOLOv13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、HyperACE二次创新、独家创新等几百种创新点改进。

全新YOLOv13创新改进专栏链接：全新YOLOv13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、ARF和MCA模块介绍

2.1 ARF和MCA模块结构图

2.2 ARF 模块的作用、优势、原理

2.3 BC(MCA)模块的作用、优势、原理

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tasks.py文件

五、创建涨点yaml配置文件

🚀 创新改进1: yolov13n_DSC3k2_ARF.yaml

🚀 创新改进2: yolov13n_DSC3k2_MCA.yaml

🚀 创新改进3: yolov13n_ARF_DSC3k2_MCA.yaml

六、正常运行

 

二、ARF和MCA模块介绍

摘要：单帧红外小目标（SIRST）检测对于军事和民用应用至关重要，但由于低分辨率和目标尺寸较小，仍然面临挑战。现有的大多数方法将检测任务建模为语义分割任务，这需要高分辨率的特征图，并且计算开销较大。此外，人工标注常常难以实现像素级的精确度，且标注中的固有歧义可能会影响训练结果。本文将SIRST检测任务视为一个边界框回归问题，并提出了一种新型的目标检测网络架构，称为自适应融合边界框回归网络（ABRNet）。为了应对复杂且变化多端的背景，设计了一个自适应感受野（ARF）模块。该模块利用空间选择掩码来选择具有不同感受野（RF）大小的特征图，从而利用不同场景中固有的先验知识。此外，本文还引入了一个跨尺度特征编码融合（CEF）结构，以减轻网络对边界框扰动的低容忍性。该模块融合了多尺度的局部和全局特征，以捕获小目标的细节。通过将高维特征与详细特征相结合，促进了准确的边界框回归，从而提高了检测性能。此外，我们采用了线性区间映射来动态平衡困难样本。公共数据集上的实验结果表明，ABRNet相较于现有的最先进方法（SOTA）具有更强的优势。