YOLO11改进-模块-引入核选择融合注意力KSFA 增大感受野，提高多尺度 小目标检测能力

        高光谱图像包含丰富的空间 - 光谱信息，在分类任务中具有重要价值。然而，现有 Transformer 模型在处理 HSI 场景时面临挑战，固定感受野无法适应不同 HSI 对象所需的有效上下文尺度，影响分类精度。例如，不同土地覆盖类型在 HSI 中呈现出不同的空间和光谱特征，需要不同大小的感受野来准确识别 。

上面是原模型，下面是改进模型

改进后模型

1. Kernel Selective Fusion Attention (KSFA)介绍 

        KSFA 通过一系列操作实现对多尺度特征的选择和融合，以适应不同土地覆盖类型的上下文尺度需求。首先，利用扩张深度卷积构建大感受野获取特征，再通过空间 - 光谱选择机制，根据不同土地覆盖类型的特点，自适应地融合合适感受野大小的特征。在空间选择方面，通过对不同感受野卷积核提取的特征进行拼接、池化和卷积操作，生成空间选择掩码；在光谱选择方面，利用全局平均池化和全连接层生成光谱注意力特征，再通过 softmax 操作得到光谱选择掩码，最终通过矩阵乘法得到空间 - 光谱选择权重，对特征图进行加权融合 。

从提供的图片来看，调制融合模块KSFA模块主要包含以下几个部分：

        KSFA 主要由两部分组成。一是通过两个解耦的深度卷积（DwConv）对输入特征进行处理，使用不同大小的卷积核（如 3×3 和 5×5）和扩张率（如 d = 1 和 d = 2），并经过 1×1 卷积层整合通道信息和统一维度，得到不同感受野的上下文特征；二是空间 - 光谱选择机制，包括空间选择和光谱选择。空间选择通过对不同感受野特征进行拼接、池化、卷积和激活操作生成空间选择掩码；光谱选择通过全局平均池化、全连接层和 softmax 操作生成光谱选择掩码，最终将两者结合得到空间 - 光谱选择权重，对特征图加权融合得到输出 。

2. YOLOv11与调制融合模块MFM的结合           

        将 KSFA 添加到 YOLOv11 的 C3K2 模块时，先在C3K2模块的卷积层后接入 KSFA。利用 KSFA 的多尺度卷积和空间 - 光谱选择机制，自适应调整感受野，融合不同尺度特征，增强C3K2 模块对不同尺寸目标特征的捕捉能力，提升 YOLOv11在复杂场景目标检测中的性能。

3. 调制融合模块MFM代码部分

视频讲解：

YOLOv8_improve/YOLOv11.md at master · tgf123/YOLOv8_improve · GitHub

用一篇论文教您如何使用YOLOv11改进模块写一篇1、2区论文_哔哩哔哩_bilibili

YOLOv11模型改进讲解，教您如何修改YOLOv11_哔哩哔哩_bilibili

YOLOv11全部代码,现有几十种改进机制。

 4. 调制融合模块MFM引入到YOLOv11中

第一: 将下面的核心代码复制到D:\model\yolov11\ultralytics\change_model路径下，如下图所示。

                     

第二：在task.py中导入包

 ​​​                  

第三：在YOLOv11\ultralytics\nn\tasks.py中的模型配置部分下面代码

   ​​​​​​​​​​​​​​​​​​​​​ ​​​​​​​​​​​​​​ ​​​​​​​ ​​​​​​​    ​​​​​​​ ​​​​​​​  ​​​​​​​​​​​​​​​​​​​​​​​​​​​​         

第四：将模型配置文件复制到YOLOV11.YAMY文件中

     ​​​​​​​ ​​​​​​​​​​​​​​ ​​​​​​​ ​​​​​​​​​​​​​​ ​​​​​​​ ​​​​​​​ ​​​​​​​ ​​​​​​​​​​​​​​​​​​​​​​​​​​​​          

     第五：运行成功

from sympy import false

from ultralytics.models import NAS, RTDETR, SAM, YOLO, FastSAM, YOLOWorld

if __name__=="__main__":

    # 使用自己的YOLOv8.yamy文件搭建模型并加载预训练权重训练模型
    model = YOLO(r"E:\Part_time_job_orders\YOLO\YOLOv11\ultralytics\cfg\models\11\yolo11_KSFA.yamy")\
        .load(r'E:\Part_time_job_orders\YOLO\YOLOv11\yolo11n.pt')  # build from YAML and transfer weights

    results = model.train(data=r'E:\Part_time_job_orders\YOLO\YOLOv11\ultralytics\cfg\datasets\VOC_my.yaml',
                          epochs=300,
                          imgsz=640,
                          batch=64,
                          # cache = False,
                          # single_cls = False,  # 是否是单类别检测
                          # workers = 0,
                          # resume=r'D:/model/yolov8/runs/detect/train/weights/last.pt',
                          amp = True
                          )