YOLOv11 改进 - 特征融合 | 融合Hyper-YOLO混合聚合网络MANet（Mixed Aggregation Network）通过多路径设计实现高效特征学习与模型适应性提升

前言

本文介绍了新型目标检测方法 Hyper - YOLO 及其在 YOLOv11 中的结合。传统 YOLO 模型颈部设计有局限，为此提出超图计算驱动的语义收集与扩散框架（HGCSCS），将视觉特征图转化到语义空间并构建高阶信息传播机制。Hyper - YOLO 在主干网络引入混合聚合网络（MANet），结合多种卷积模块增强特征提取能力；在颈部网络设计基于超图的跨层级与跨位置表示网络（HyperC2Net）支持高阶交互。

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

Hyper-YOLO 作为目标检测领域的革新性方法，巧妙引入超图计算理念，成功突破了传统YOLO模型在捕捉视觉特征复杂关联方面的桎梏。尽管经典YOLO架构在目标检测领域取得了卓越成就，但其颈部(neck)设计在跨层级特征整合与高阶特征关系挖掘方面仍存在明显瓶颈。针对这一核心痛点，我们精心构建了超图计算驱动的语义收集与扩散框架(HGCSCS)，该框架创新性地将视觉特征图映射至语义空间，并通过精密的超图结构构建高阶信息流动通路，从而使模型能够同时获取深层语义与结构信息，实现了对传统特征学习范式的超越。

Hyper-YOLO的卓越性能源于两大核心创新：一方面，在主干网络中融入混合聚合网络(MANet)，极大增强了模型的特征提取能力；另一方面，在颈部网络中巧妙设计了基于超图的跨层级与跨位置表示网络(HyperC2Net)。特别值得一提的是，HyperC2Net横跨五种尺度，彻底摆脱了传统网格结构的束缚，支持层级间与位置间的复杂高阶交互，为特征融合提供了前所未有的灵活性与表达能力。

这些精心设计的组件协同运作，使Hy