一、本文介绍
🔥本文给大家介绍使用ADSF自适应特征融合模块改进 YOLOv11网络模型，可有效改进其多尺度特征融合方式。ADSF 通过自适应建模浅层高分辨率结构特征与深层高语义特征之间的跨层依赖关系，动态调节二者在融合过程中的贡献比例，在保留细节信息的同时增强语义判别能力。这种融合机制能够显著提升 YOLOv11 在小目标、远距离目标及复杂背景场景下的检测精度，并有效抑制背景干扰、降低误检率。同时，ADSF 结构轻量、计算开销小，易于集成到 YOLOv11 的特征融合层中，在保持实时检测性能的前提下实现更优的检测效果。
🔥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、ADSF自适应特征融合模块介绍
SDS-Net网络结构图：
2.1 ADSF自适应特征融合模块结构图
2.2 ADSF自适应特征融合模块的作用
2.3 ADSF自适应特征融合模块的原理
2.3 ADSF自适应特征融合模块的优势
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_ADSF.yaml
🚀 创新改进2: yolov11n_ADSF-2.yaml
🚀 创新改进3: yolov11n_ADSF-3.yaml
六、正常运行
二、ADSF自适应特征融合模块介绍
摘要：当前基于卷积神经网络（CNN）的红外小目标检测（IRSTD）方法普遍忽视浅层特征与深层特征之间的异质性，导致浅层的精细结构信息与深层的高层语义表示之间协同效率不足。此外，不同特征层级之间的依赖关系及其融合机制缺乏系统建模，未能充分挖掘多层特征的互补性。这些问题在限制检测性能提升的同时，还带来了较高的计算开销。为解决上述问题，本文提出了一种浅–深协同检测网络（SDS-Net），通过高效建模多层特征表示，在提升红外小目标检测精度的同时显著降低计算复杂度。SDS-Net 采用双分支架构，分别对特征的结构属性和语义属性进行建模，在保留浅层空间细节的同时充分捕获深层语义信息，从而实现高精度且高效率的检测。此外，网络引入了一种自适应特征融合模块，用于动态建模跨层特征之间的相关性，增强整体特征协同能力和表示能力。在 NUAA-SIRST、NUDT-SIRST 和 IRST
的深度解析)
