YOLOv11涨点改进 | 独家创新首发、Conv卷积改进篇 | TGRS 2025 | 引入DSPM双分支语义感知模块，同时提取局部和全局特征，增强特征表达，助力小目标检测、图像分割高效涨点

最新推荐文章于 2025-12-20 21:11:19 发布
最新推荐文章于 2025-12-20 21:11:19 发布
阅读量132 收藏 2
点赞数
CC 4.0 BY-SA版权
分类专栏： YOLOv11全新有效创新改进+永久更新中 文章标签： YOLO 目标检测 YOLOv11创新改进 DSPM双分支语义感知模块 TGRS 2025顶刊论文 红外小目标检测 医学图像分割通用
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_45972324/article/details/155449314

一、本文介绍

🔥本文给大家介绍使用DSPM双分支语义感知模块改进 YOLOv11 网络模型，可以显著提升多尺度目标，特别是小目标的检测能力。通过双分支卷积结构（标准卷积和膨胀卷积），DSPM能够同时提取局部和全局特征，增强特征表达。此外，DSPM的空间和通道注意力机制有效抑制背景噪声，帮助YOLOv11更精确地聚焦目标区域，提高检测精度和鲁棒性，尤其在复杂背景和噪声环境下表现更为优异。

🔥欢迎订阅我的专栏、带你学习使用最新-最前沿-独家YOLOv11创新改进！🔥

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、DSPM双分支语义感知模块介绍

HAFNet 详细网络结构图：

2.1 DSPM双分支语义感知模块结构图

2.2 DSPM 模块的作用：

2.3 DSPM 模块的原理

2.3 DSPM 模块的优势

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1: yolov11n_DSPM.yaml

🚀 创新改进2: yolov11n_DSPM-2.yaml

🚀 创新改进3: yolov11n_C3k2_DSPM.yaml

六、正常运行

 

二、DSPM双分支语义感知模块介绍

摘要：红外小目标检测（IRSTD）涉及识别通常在空间上较小、信噪比低且常常嵌入在动态复杂背景中的目标，这使得任务尤为具有挑战性。得益于强大的特征提取和多尺度特征融合能力，U-Net 在 IRSTD 任务中表现良好。然而，现有的 U-Net 方法通常仅关注优化骨干特征提取或跳跃连接，这限制了其在复杂场景中的性能，使得有效识别小目标变得困难。为了解决这一限制，我们提出了一种基于 U-Net 架构的新型分层注意力融合网络，即 HAFNet。具体地，设计了一个双分支语义感知模块（DSPM）作为特征提取骨干，以增强上下文语义交互。该模块通过标准卷积和膨胀卷积实现双分支特征提取，同时利用空间和通道注意力模块（CAMs）有效地将小目标与背景噪声分离。此外，我们通过合并分层特征融合编码器（HFFE）和分层特征融合解码器（HFFD）扩展了跳跃连接

了解本专栏 订阅专栏 解锁全文
YOLOv13涨点改进 | 独家创新首发、Conv卷积改进篇 | TGRS 2025 | 引入DSPM双分支语义感知模块，同时提取局部和全局特征，增强特征表达，助力小目标检测、图像分割高效涨点
Ai缝合怪、助力小伙伴高效发论文
12-07 192
本文提出了一种基于DSPM双分支语义感知模块改进的YOLOv13网络模型，显著提升了多尺度目标检测能力，尤其针对小目标检测。DSPM模块通过双分支结构（标准卷积和膨胀卷积）同时提取局部和全局特征，并结合空间/通道注意力机制有效抑制背景噪声。实验表明，该方法在复杂背景和噪声环境下表现优异，检测精度和鲁棒性均有提升。文章详细介绍了模块结构、原理、代码实现及配置方法，并提供了四种改进版YOLOv13的yaml配置文件方案。
【DEIM创新改进】全网独家，注意力创新改进篇 | TGRS 2025 | DEIM 引入DSPM双分支语义感知模块，同时提取局部和全局特征，增强特征表达，助力目标检测高效涨点
Ai缝合怪、助力小伙伴高效发论文
12-20 183
本文提出了一种基于U-Net架构的新型分层注意力融合网络HAFNet，通过双分支语义感知模块(DSPM)改进红外小目标检测性能。DSPM结合标准卷积和膨胀卷积的双分支结构，同时提取局部细节和全局上下文特征，并引入空间和通道注意力机制抑制背景噪声。实验表明，该方法在NUAA-SIRST等三个公开数据集上优于现有方法，特别在复杂背景下的多尺度目标检测中表现优异。文章还提供了完整的DSPM模块实现代码和模型集成指南。
YOLOv11涨点改进 | 独家创新首发、Neck特征融合改进篇 | TGRS 2025 | YOLOv11引入HFFE高低频特征融合模块，增强多层次特征融合、小目标检测、图像分割及噪声抑制，助力涨点
Ai缝合怪、助力小伙伴高效发论文
12-01 228
本文提出了一种基于HFFE高低频特征融合模块改进的YOLOv11目标检测模型。HFFE模块通过层次化特征融合和注意力机制优化多尺度特征交互，显著提升了小目标检测精度和定位准确性，特别是在复杂背景和低质量图像中表现优异。该模块有效抑制背景噪声，增强目标区域关注，使YOLOv11在噪声环境下保持高检测精度。文章详细介绍了HFFE的结构原理、核心代码实现，并提供了两种改进配置方案(yolov11n_HFFE.yaml和yolov11n_HFFE-2.yaml)，通过实验验证了其在目标检测任务中的性能提升效果。
【RT-DETR涨点改进】独家创新首发、Neck特征融合改进篇 | TGRS 2025顶刊 | RT-DETR引入HFFE高低频特征融合模块，增强多层次特征融合、噪声抑制，助力目标检测有效涨点
Ai缝合怪、助力小伙伴高效发论文
12-18 237
本文提出一种基于HFFE高低频特征融合模块改进的RT-DETR目标检测模型。HFFE通过层次化特征融合和注意力机制，有效增强多尺度特征交互，显著提升小目标检测精度和定位准确性，尤其在复杂背景和低质量图像中表现突出。该模块能抑制背景噪声，优化目标区域关注度，使模型在噪声环境下保持高检测性能。实验证明，HFFE显著提升了RT-DETR在多层次特征融合、小目标检测和噪声抑制等方面的能力，具有更强的鲁棒性和准确性。文中详细介绍了HFFE结构原理、核心代码实现及模型配置方法，为相关研究提供了实用参考。
【DEIM创新改进】全网独家创新、特征融合改进篇 | TGRS 2025 | DEIM 引入HFFE高低频特征融合模块，增强多层次特征融合、小目标检测、噪声抑制，助力高效涨点
Ai缝合怪、助力小伙伴高效发论文
12-19 44
本文提出了一种基于HFFE（高低频特征融合模块）改进的DEIM网络模型，显著提升了目标检测性能。HFFE模块通过层次化特征融合和注意力机制，优化了多尺度特征融合，增强了小目标检测精度和定位准确性，尤其在复杂背景和低质量图像中表现优异。此外，HFFE有效抑制了背景噪声，改善了对目标区域的关注，使DEIM在噪声环境下仍保持高检测精度。实验结果表明，HFFE模块在多层次特征融合、小目标检测及噪声抑制等方面具有优势，大幅提升了目标检测的鲁棒性和准确性。本文还提供了详细的代码实现和改进步骤，便于读者快速应用。
YOLOv13涨点改进 | 独家创新首发、Neck特征融合改进篇 | TGRS 2025 | YOLOv13引入HFFE高低频特征融合模块，增强多层次特征融合、小目标检测、图像分割及噪声抑制，助力涨点
Ai缝合怪、助力小伙伴高效发论文
12-01 114
本文提出了一种基于HFFE高低频特征融合模块改进的YOLOv13目标检测模型。HFFE模块通过层次化特征融合和注意力机制，优化了多尺度特征交互，显著提升了小目标检测精度和定位准确性，尤其在复杂背景和低质量图像中表现优异。该模块结合空间注意力和坐标注意力机制，有效抑制背景噪声，增强目标区域关注度。实验表明，改进后的模型在多层次特征融合、噪声抑制等方面具有优势，提高了检测的鲁棒性和准确性。文章还详细介绍了HFFE模块的结构原理、核心代码实现及配置方法，并提供了两种改进版YOLOv13的yaml配置文件方案。
YOLOv11涨点改进 | 独家多种改进点结合、特征融合改进篇 | TGRS 2025 | 引入HFFD层次特征融合解码器模块，增强多层次特征融合、小目标检测、图像分割及噪声抑制，助力高效涨点
Ai缝合怪、助力小伙伴高效发论文
12-01 109
本文提出了一种HFFD层次特征融合解码器模块改进YOLOv11模型，用于提升小目标检测性能。HFFD通过多层次、多尺度特征融合增强解码器的细节恢复能力，有效抑制背景噪声。实验表明，该方法在复杂背景下显著提高了目标检测精度和鲁棒性。文章详细介绍了HFFD模块的结构原理、核心代码实现，并提供了YAML配置文件的修改指南，为YOLOv11模型在小目标检测任务中的性能提升提供了有效解决方案。
【即插即用模块】注意力篇 | TGRS 2025 | HAFNet：UNet架构大创新！三大创新模块分层融合，指标比传统U型结构高6个点！
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
12-04 80
HAFNet模块摘要 HAFNet是一种用于红外小目标检测的U型网络，包含三个创新模块： DSPM模块：双分支多尺度特征提取，结合普通卷积与膨胀卷积，并引入通道和空间注意力机制优化特征。 HFFE模块：采用跨尺度交叉注意力融合高低层特征，通过坐标注意力增强特征定位能力。 HFFD模块：三源特征聚合解码器，整合编码器、HFFE和解码器特征，采用多速率膨胀卷积逐步扩大感受野。 实验表明，该网络在红外小目标检测任务中达到SOTA性能，三个模块分别贡献4%、2%的性能提升。模块设计轻量高效，适用于各种U型结构的视觉
YOLOv13涨点改进 | 独家多种改进点结合、特征融合改进篇 | TGRS 2025 | 引入HFFD层次特征融合解码器模块，增强多层次特征融合、小目标检测、图像分割及噪声抑制，助力高效涨点
Ai缝合怪、助力小伙伴高效发论文
12-07 307
本文提出了一种基于U-Net架构的新型分层注意力融合网络HAFNet，用于改进红外小目标检测（IRSTD）。该方法通过双分支语义感知模块（DSPM）增强特征提取能力，并结合分层特征融合编码器（HFFE）和解码器（HFFD）优化多尺度特征融合。HFFD模块通过融合编码器、层次化编码和解码器特征，显著提升小目标细节恢复能力，有效抑制背景噪声。实验表明，该方法在NUAA-SIRST等数据集上实现了最先进的检测性能。文章还详细介绍了模块结构、核心代码实现及YOLOv13的集成改进方案。
YOLOv11香烟包装印章智能识别系统：从原理到实现完整指南
ASD123asfadxv的博客
12-15 135
This repository contains an automated system for detecting stamps on cigarette packages. The project focuses on image processing and pattern recognition to identify regulatory stamps on tobacco product packaging. The solution is designed to help verify pro
机械紧固件智能识别系统 _ 基于YOLOv10n的螺栓螺母螺丝垫圈自动检测与分类
OOOaaa123123的博客
12-20 572
摘要：本文提出基于YOLOv10n的机械紧固件智能识别系统，实现螺栓、螺母、螺丝、垫圈等工业零件的自动检测与分类。系统采用两阶段训练策略，在自建5000张图像的数据集上达到94.5%的mAP@0.5精度，推理速度8.2ms/帧。通过优化图像采集、数据增强和模型轻量化设计，解决了工业场景中小目标检测难题。系统包含图像采集、实时检测、结果可视化等功能模块，支持30fps实时处理，模型体积仅5.4MB，适用于嵌入式部署，显著提升了制造业质检效率和准确性。（149字）
基于深度学习的肾结石检测系统演示与介绍(YOLOv12/v11/v8/v5模型+Pyqt5界面+训练代码+数据集)
ningfoshao8678的博客
12-16 971
本文介绍了基于YOLO目标检测算法开发的肾结石检测系统。该系统支持图片、视频、文件夹批量及摄像头实时检测，包含用户登录、多模型切换等功能。技术栈采用Python3.10、PyQt5和SQLite，对比了YOLOv5/v8/v11/v12四种模型性能，其中YOLO12n精度最高(mAP40.6%)，YOLO11n速度最快(56.1ms)。系统在17000张肾脏影像数据集上训练，mAP@0.5达90%，F1值0.86，能有效识别肾结石位置并显示置信度。
yolov8+paddleocr的车牌识别
2301_81438646的博客
12-18 709
yolov8+ocr的车牌识别
Pytorch学习系列09 | YOLOv5-Backbone模块实现
weixin_42517940的博客
12-17 321
本文介绍了YOLOv5目标检测算法中Backbone模块的实现过程。首先通过比喻将Backbone比作提炼书籍重点的机制，说明其核心作用。然后详细展示了代码实现过程，包括：1) 设备设置(GPU/CPU)；2) 天气识别数据集的准备和预处理；3) YOLOv5 Backbone模型搭建，包含Conv、Bottleneck、C3和SPPF等关键模块；4) 60个epoch的训练过程，最终测试准确率达到93.8%；5) 训练过程的Loss和Accuracy可视化分析。整个实现过程完整展示了从数据准备到模型训练评
使用YOLO13-C3k2-ConvAttn模型对金属型材表面缺陷进行检测与识别_1
ZCXZ12385296a的博客
12-17 757
在工业生产中，金属型材表面缺陷检测是质量控制的关键环节。传统的人工检测方法不仅效率低下，而且容易出现漏检和误检问题。随着计算机视觉技术的发展，基于深度学习的缺陷检测方法逐渐成为工业界的主流选择。本文将介绍如何使用YOLO13-C3k2-ConvAttn模型对金属型材表面缺陷进行高效检测与识别。该模型结合了YOLOv13的最新架构与改进的注意力机制，特别适合工业场景下的缺陷检测任务。
【计算机视觉】YOLO11-DGCST：轴承表面划痕检测新方案
Piar1231sdafa的博客
12-19 650
本文介绍了基于YOLO11架构优化的YOLO11-DGCST模型，专为轴承表面划痕检测设计。该模型通过引入DGCST模块增强小目标检测能力，改进C3k2模块提升特征提取效率，并采用C2PSA注意力机制优化空间定位。检测头部分采用轻量级DWConv结构，在保持精度的同时显著提升推理速度。相比YOLOv8，YOLO11在模型结构和参数量上进行了优化，更适合工业检测场景。实验表明，该方案在轴承划痕检测任务中实现了精度与效率的平衡，特别适合实时工业检测应用。
Ultralytics YOLO11常见的问题以及解决方法
Do my best!
12-16 507
解决方案:坐标格式：YOLO11 以绝对像素值提供边界框坐标。要将这些转换为相对坐标（范围从 0 到 1），你需要除以图像尺寸。例如，假设你的图像大小为 640x640。然后你将执行以下操作：文件名：要获取你正在预测的图像的文件名，请直接从预测循环中的结果对象访问图像文件路径。
基于YOLOv12课堂行为检测系统1：课堂行为检测数据集说明(含下载链接)
最新发布
修行之路
12-20 244
基于YOLOv12课堂行为检测系统1：课堂行为检测数据集说明(含下载链接)
YOLOv5-ASF-P2：果蝇性别识别与分类实战指南_1
adaAS1414315的博客
12-17 685
本文介绍了基于改进YOLOv5架构的果蝇性别识别系统YOLOv5-ASF-P2。该系统通过优化的CSPDarknet骨干网络和增强型PANet，显著提升了对果蝇小目标的特征提取能力。项目采用包含10,000张标注图像的数据集，通过随机翻转、旋转和亮度调整等数据增强方法提高模型泛化性。系统采用多任务损失函数，整合分类、定位和性别识别任务，实现了高精度果蝇性别分类。实验结果表明，该方法的识别准确率较基线模型提升8.5%，为生物学研究提供了高效可靠的自动化性别识别解决方案。
YOLOv5改进有效涨点目录 | 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制
04-29
### YOLOv5 的改进点 YOLOv5 是一种高效的实时目标检测框架，在多个方面进行了优化和改进，特别是在卷积、主干网络、检测头、注意力机制以及 Neck 部分。以下是这些方面的具体创新机制： #### 1. **卷积层** YOLOv5 中引入了多种新型卷积操作来提升模型效率和精度。例如，Depthwise Separable Convolution 被广泛应用于减少计算复杂度的同时保持较高的特征提取能力[^3]。此外，还采用了可变形卷积（Deformable Convolution），允许自适应调整采样位置以更好地处理形变物体。 ```python import torch.nn as nn class DepthWiseSeparableConv(nn.Module): def __init__(self, in_channels, out_channels, kernel_size=3, stride=1, padding=1): super(DepthWiseSeparableConv, self).__init__() self.depth_conv = nn.Conv2d(in_channels=in_channels, out_channels=in_channels, kernel_size=kernel_size, groups=in_channels, stride=stride, padding=padding) self.point_conv = nn.Conv2d(in_channels=in_channels, out_channels=out_channels, kernel_size=1) def forward(self, x): x = self.depth_conv(x) x = self.point_conv(x) return x ``` #### 2. **主干网络** YOLOv5 使用 CSPDarknet53 作为其默认主干网络结构，通过跨阶段部分连接（Cross Stage Partial Network）设计减少了内存消耗并提高了梯度流动效果[^4]。这种架构能够显著增强深层神经网络中的信息传递效率。 #### 3. **检测头** 在检测头上，YOLOv5 实现了一个多尺度预测方案，即 PANet（Path Aggregation Network）。它不仅增强了低分辨率特征图上的语义信息传播路径长度，而且保留高分辨率细节以便更精确地定位小尺寸对象[^5]。 #### 4. **注意力机制** 为了进一步提高模型表现力，YOLOv5 引入了几种先进的注意力模块： - **SENet (Squeeze-and-Excitation Networks)**：通过对每个通道的重要性进行建模从而动态调整激活权重。 - **CBAM (Convolutional Block Attention Module)**：结合空间维度与信道维度的关注程度来进行综合考量。 这两种方法均有助于突出重要区域或特性，忽略无关干扰因素，最终达到改善整体性能的目的[^6]。 #### 5. **Neck 结构** YOLOv5 的 Neck 设计主要围绕 FPN 和 PAN 构造展开，其中融合了不同层次间的信息交互方式——自顶向下与自底向上传播相结合的形式构建更加丰富的上下文关联关系[^7]。此策略对于解决多尺度问题特别有效果。 --- ### 总结 综上所述，YOLOv5 在各个组成部分都做出了针对性的技术革新，使得该版本无论是在速度还是准确性方面都有所突破。以上提到的内容涵盖了卷积技术更新、骨干网路选取依据、头部结构调整方向等多个层面的具体实现措施及其背后原理说明。 ---
评论
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