YOLOv11改进 - 卷积Conv | 增强感受野与多尺度特征捕获：引入RFB感受野块（Receptive Field Block）多分支卷积结构

魔改工程师

已于 2025-12-09 20:49:56 修改

阅读量1k

点赞数 29

CC 4.0 BY-SA版权

分类专栏：最新YOLOv11改进专栏文章标签： YOLO 目标跟踪人工智能计算机视觉目标检测机器学习深度学习

于 2025-11-20 23:07:46 首次发布

本文链接：https://blog.csdn.net/yolochangeworld/article/details/155077850

最新YOLOv11改进专栏专栏收录该内容

该专栏为热销专栏榜第29名

167 篇文章 ¥99.90 ¥299.90

订阅专栏

部署运行你感兴趣的模型镜像

前言

本文介绍了感受野块（RFB）模块在YOLOv11中的结合应用。RFB模块是一种多分支卷积块，由多分支卷积层和扩张池化或卷积层组成，通过模拟多尺度感受野和控制感受野偏心性，增强轻量级CNN模型学习到的深层特征，提高目标检测的准确性和速度。我们将RFB模块集成到YOLOv11的检测头中，并进行相关注册和配置。实验结果显示，该方法能在保持实时速度的同时达到先进深度检测器的性能。

文章目录： YOLOv11改进大全：卷积层、轻量化、注意力机制、损失函数、Backbone、SPPF、Neck、检测头全方位优化汇总

专栏链接: YOLOv11改进专栏

介绍

摘要

当前性能最优的目标检测器依赖于深度卷积神经网络（CNN）骨干，如ResNet - 101和Inception，尽管这些骨干网络凭借强大的特征表示能力展现出良好性能，但却存在计算成本高的问题。与之相反，部分轻量级模型的检测器虽能够实现实时处理，但其准确性往往受到诟病。在本文中，我们探索了一种替代方案，即通过运用手工设计的机制来增强轻量级特征，进而构建出一种兼具快速性与准确性的检测器。受人类视觉系统中感受野（RF）结构的启发，我们提出了一种新颖的感受野块（RFB）模块，该模块考虑了感受野大小与偏心率之间的关系，旨在增强特征的可辨别性和鲁棒性。我们进一步将RFB集成到单发多框检测器（SSD）之上，构建了RFB Net检测器。为评估其有效性，我们在两个主要基准上开展了实验，实验结果表明，RFB Net能够在维持实时处理速度的同时，达到先进深度检测器的性能水平。相关代码可在https://github.com/ruinmessi/RFBNet获取。