YOLOv11 改进 - 特征融合 | HS-FPN高效特征金字塔网络，通过选择性特征交互实现参数优化与性能提升

前言

本文介绍了一种创新的白细胞检测方法——多层次特征融合和可变形自注意力 DETR（MFDS - DETR）及其在 YOLOv11 中的结合。传统白细胞检测方法耗时且易出错，现代方法也存在局限性。为此设计了高层次筛选特征融合金字塔（HS - FPN），其包含特征选择和融合模块，利用通道注意力模块过滤低层次特征信息并与高层次特征融合，增强特征表达能力；还通过在编码器和解码器引入特定机制解决白细胞特征稀缺问题。我们将相关模块集成进 YOLOv11，替换部分模块。经在多个数据集上与其他模型对比，验证了 MFDS - DETR 方法的有效性、优越性和通用性。

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

本文提出了一种突破性的白细胞检测方法——多层次特征融合和可变形自注意力DETR（MFDS-DETR），旨在革新传统医院血液检测流程中存在的诸多痼疾。传统检测模式中，医务人员需借助显微镜从患者血液显微图像中手动分离白细胞，继而通过自动分类器确定不同类型白细胞的分布情况以辅助临床诊断。此种方法不仅耗费大量人力物力，更因图像质量波动和环境干扰等因素容易产生判读偏差，进而导致分类错误与诊断失准。现有白细胞检测技术在处理特征稀疏的图像样本及应对白细胞尺寸差异方面表现乏力，检测效果往往不尽如人意。

针对上述挑战，我们精心设计了MFDS-DETR检测框架，其核心创新在于两大技术突破：一方面，为应对白细胞尺寸变化问题，我们构建了高层次筛选特征融合金字塔（HS-FPN），实现了多层次特征的智能融合。该模块巧妙地利用高层次特征作为权重指导，通过精密的通道注意力机制对低层次特征进行有效筛选，随后将优化后的特征信息与高层次特征进行深度融合，显著增强了模型的特征表达能力。另一方面，我们创新性地在编码器中引入多尺度可变形自注意模块，并在解码器中融合自注意与交叉可变形注意机制，有效解决了白细胞特征稀缺的难题，极大提升了模型捕获白细胞图像全局特征的能力。

通过在私有WBCDD数据集以及公开的LISC和BCCD基准数据集上与前沿白细胞检测模型的全面比较，充分验证了MFDS-DETR方法的