一、本文介绍
🔥本文给大家介绍利用 RFEM 感受野增强模块 改进 YOLOv11 网络模型，可通过扩展感受野和多尺度上下文建模增强网络对目标整体结构的感知能力，使模型在复杂背景或退化场景下更稳定地捕获目标轮廓信息。RFEM 在不显著增加计算开销的前提下抑制局部噪声干扰，提升对弱对比度和大尺度目标的检测鲁棒性，作为轻量、可即插即用模块易于集成到 YOLOv11 主干网络中，从而提高整体检测稳定性和泛化能力。
🔥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！🔥
YOLOv11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、RFEM感受野增强模块介绍
2.1 RFEM感受野增强模块 结构图
2.2 RFEM感受野增强模块的作用
2.3 RFEM感受野增强模块的原理
2.4 RFEM感受野增强模块的优势
三、完整核心代码
四、手把手教你配置模块和修改tasks.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ultralytics\nn\tasks.py文件
五、创建涨点yaml配置文件
🚀 创新改进1:
🚀 创新改进2:
六、正常运行
二、RFEM感受野增强模块介绍
摘要：基于深度卷积神经网络（CNN）的物体检测方法在普通图像领域已取得重大突破。然而在能见度受限的恶劣天气条件下，此类技术的性能提升却难以实现。为解决这一问题，我们提出了一种名为MASFNet的多尺度自适应采样融合网络。本文设计的特征自适应增强网络（FAENet）由三个模块组成，可在恶劣场景下对特征图进行自适应增强。这些模块通过拉普拉斯金字塔进行整合，该结构可实现感受野融合、注意力感知及仿射变换等图像特征增强功能。为提升检测性能，我们提出多尺度采样融合金字塔网络（MSFNet），该网络能融合不同尺度特征以增强语义信息。实验结果表明，MASFNet在真实场景雾景数据集（RTTS）和雾天驾驶数据集（FDD）上分别达到73.68%和30.95%的平均精度（mAP）。此外，在真实场景弱光数据集（ExDark）上，MASFNet实现了63.80%的显著mAP，不仅超越了当前最先进的物体检测器（SOTA），同时保持了轻量级和高速度特性。
