YOLOv11涨点改进| TGRS 2026 |全网创新首发、Conv卷积改进篇 |引入AFAB自适应特征聚合模块，增强小目标特征表达能力，保留细粒度特征信息，助力YOLOv11遥感小目标检测高效涨点

一、本文介绍🔥这篇论文作者使用YOLOv11模型发SCI一区！喜提TGRS 2026顶刊！做遥感小目标检测任务。本文给大家介绍利用AFAB自适应特征聚合模块改进YOLOv11网络模型，AFAB是面向红外分支设计的特征增强模块，主要作用在于提升红外图像的特征表达质量。由于红外图像缺乏丰富的纹理、颜色和边缘信息，目标识别更多依赖热辐射差异，传统卷积往往难以充分提取其中有效特征，因此引入 AFAB 可以更有针对性地强化热目标区域的响应，增强红外特征的判别性与稳定性，从而为后续的小目标检测提供更加清晰、可靠的特征基础。🔥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！🔥YOLOv11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、AFAB自适应特征聚合块介绍2.1 AFAB自适应特征聚合模块结构图2.2 AFAB模块的作用2.3AFAB模块的原理2.4 AFAB模块的优势1. 提升小目标检测精度2. 提高模型对复杂场景的适应能力3. 多尺度目标检测能力更强4. 提升特征融合质量三、完整核心代码四、手把手教你配置模块和修改tasks.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​编辑3.修改tasks.py文件五、创建涨点yaml配置文件🚀创新改进1🔥: yolov11n_AFAB.yaml🚀创新改进2🐉: yolov11n_AFAB-2.yaml六、正常运行二、AFAB自适应特征聚合块介绍摘要：红外-自适应特征聚合块航空影像（尤其是来自无人机和遥感平台的影像）中的目标检测至关重要，但面临着模态错位、特征融合退化和计算复杂度高等重大挑战。为解决这些问题，本文提出了跨模态特征自适应检测（CMFADet），这是一种适用于不同航空场景下稳健的RGB-红外（IR）目标检测新框架。CMFADet通过其创新的空间-频率特征增强模块（SFEM）和红外自适应特征聚合块（IR-AFAB）改进特征学习。它还集成了通道交互融合（CIF）模块进行动态权重分配，确保真正的互补信息融合并避免相互干扰。这种分配由目标的特定特征和每种模态的固有优势决定。检测精度通过学习联合特征的自适应任务感知对齐头（ATAH）进一步提升。在DroneVehicle、航空影像车辆检测（VEDAI）和OGSOD-1.0数据集上的大量实验表明，CMFADet性能优越，持续超越最先进的算法，并有效解决了上述挑战。