一、本文介绍
🔥本文给大家介绍利用 ATEM仿射变换融合增强模块 改进 YOLOv11 网络模型，主要作用于特征提取早期或中间阶段，对高频特征中的边缘与纹理信息进行自适应增强。ATEM 通过学习可调的仿射参数，对细节特征进行有选择的放大或重标定，使目标轮廓在复杂背景、低对比度或退化场景中更加清晰，从而提升 YOLOv11 对小目标和弱目标的感知能力。相比直接增强高频信息，ATEM 能避免噪声同步放大的问题，在保持计算开销较低的前提下，提高特征质量和检测稳定性。ATEM 是 一种高效且细节友好的特征增强方式，使模型在复杂环境下具有更强的鲁棒性和更高的检测精度。
🔥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、ATEM仿射变换融合增强模块介绍
2.1 ATEM仿射变换融合增强模块 结构图
2.2 ATEM模块的作用
2.3 ATEM模块的原理
2.4 ATEM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: yolov11n_ATEM_fusion.yaml
🚀 创新改进2: yolov11n_ATEM_fusion-2.yaml
🚀 创新改进3: yolov11n_ATEM_fusion-3.yaml
六、正常运行
二、ATEM仿射变换融合增强模块介绍
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
