一、本文介绍
🔥本文给大家介绍使用SMMM 模块改进YOLOv11 网络模型，可以显著提升目标检测性能。其通过结构显著性掩码与多尺度卷积机制，在特征融合阶段有效去除冗余信息、突出关键结构区域，从而增强模型对小目标、边界模糊目标以及复杂场景中目标的感知能力。同时，SMMM 的膨胀卷积增强了上下文建模，提升定位精度和多尺度鲁棒性，降低误检率。在保持高效推理的前提下，SMMM 能提升 YOLOv11 的整体检测精度和语义一致性，特别适用于对精度要求较高的实时检测任务。
🔥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、SMMM 模块介绍
2.1 SMM 模块结构图
2.2 SMMM 模块的作用：
2.3 SMMM 模块的原理
1. 多尺度特征提取（Multi-scale Feature Modeling）
2. 显著性掩码机制（Structural-aware Masking）
3. 膨胀卷积融合（Dilated Convolution）
4. 特征归一化与通道对齐
2.3 SMMM 模块的优势
1. 显著提升分割性能
2. 改善边界细节重建
3. 降低解码器负担
4. 强鲁棒性与泛化能力
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_SMMM.yaml
🚀 创新改进2: yolov11n_SMMM-2.yaml
六、正常运行
二、SMMM 模块介绍
摘要：当前主流的医学图像分割方法普遍采用基于编码器–解码器的结构，其中 Transformer 解码器在建模全局上下文方面具有优势。然而，它们通常难以捕捉边缘细节、局部纹理以及空间连续性，这些对于精确的医学图像分割至关重要。
为了解决这些问题，我们提出了一种新颖的结构感知解码器，集成了以下三个关键模块：
自适应交叉融合注意力模块（Adaptive Cross-scale Fusion Attention, ACFA）
本模块将通道特征增强与空间注意力相结合，引入三种结构引导（平面、水平和垂直方向）来增强对关键结构区域的感知能力。
