YOLOv11 改进 - SPPF模块 | 替代SPP，FFocal Modulation焦点调制：即插即用轻量设计优化全局语义捕获

前言

本文介绍了焦点调制网络（FocalNets）及其在YOLOv11中的结合应用。FocalNets完全用焦点调制模块替代自注意力，该模块由焦点上下文化、门控聚合和逐元素仿射变换组成，能有效建模视觉中的标记交互。它通过局部特征聚焦、全局信息调制和多尺度处理增强模型表达能力。我们将FocalModulation模块集成进YOLOv11。

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

本研究提出焦点调制网络（FocalNets），该网络采用焦点调制模块完全替代自注意力（SA）机制，用于视觉任务中的标记交互建模。焦点调制模块由三个核心组件构成：（i）焦点上下文化组件，通过深度卷积层序列实现从短距离到长距离的视觉上下文编码；（ii）门控聚合组件，选择性将上下文信息聚合至每个查询标记的调制器中；（iii）逐元素仿射变换组件，将调制器注入查询标记。大量实验验证表明，FocalNets展现出卓越的可解释性特征，并在图像分类、目标检测及分割任务中以相近计算成本超越了当前最先进的SA模型（如Swin和Focal Transformers）。具体而言，FocalNets小型与基础版本在ImageNet-1K数据集上分别实现了82.3%和83.9%的top-1准确率；在ImageNet-22K数据集以224×224分辨率预训练后，微调至224×224和384×384分辨率时分别达到86.5%和87.3%的top-1准确率。在目标检测任务中，基于Mask R-CNN框架的FocalNet基础版本以1×训练计划超越Swin对照组2.1个百分点，且已超过采用3×训练计划的Swin模型（49.0对48.5）；在语义分割任务中，基于UPerNet框架的FocalNet基础版本在单尺度测试下超越Swin模型2.4个百分点，多尺度测试下同样表现优异（50.5对49.7）。进一步地，采用大型Foca