YOLOv11最新创新改进系列：多模态融合RGB+红外线（IR），融合HCF-NET网络中的DASI模块，红外小目标实验证明针对小目标的改进具有出色表现！

购买相关资料后畅享一对一答疑！

畅享超多免费持续更新且可大幅度提升文章档次的纯干货工具！

数据集准备
我给大家配置了默认的M3FD.yaml,大家可以直接在代码中使用，然后按照自己的数据进行简单的替换就行！非常简单！

# Ultralytics YOLO , AGPL-3.0 license
# M3FD dataset
# Example usage: yolo train data=M3FD.yaml

# Train/val/test sets as dir: path/to/imgs
path:  # dataset root dir
train: images/train  # train visible images (relative to 'path')
train2: imagesTR/train  # train infrared images (relative to 'path')
val: images/val  # val visible images (relative to 'path')
val2: imagesIR/val  # val infrared images (relative to 'path')
test:   # test images (optional)

#image_weights: True
nc: 6


# Classes
names:
  0: People
  1: Car
  2: Bus
  3: Motorcycle
  4: Lamp
  5: Truck

其中，ImagesIR 为红外线图像

Image为可见光（RGB）图像

详细的改进教程以及源码，戳这！戳这！！戳这！！！B站：AI学术叫叫兽 源码在相簿的链接中，动态中也有链接，感谢支持！祝科研遥遥领先！

改进——DASI

DASI（提出原文戳这）

详细的改进教程以及源码，戳这！戳这！！戳这！！！B站：AI学术叫叫兽 源码在相簿的链接中，动态中也有链接，感谢支持！祝科研遥遥领先！

1 摘要

红外小物体检测是一项重要的计算机视觉任务，涉及红外图像中微小物体的识别和定位，这些物体通常只包含几个像素。 然而，由于红外图像中物体尺寸较小且背景通常复杂，它遇到了困难。 在本文中，我们提出了一种深度学习方法HCF-Net，通过多个实用模块显着提高红外小物体检测性能。 具体来说，它包括并行补丁感知注意（PPA）模块、维度感知选择性集成（DASI）模块和多扩张通道细化器（MDCR）模块。 PPA模块采用多分支特征提取策略来捕获不同尺度和级别的特征信息。 DASI 模块支持自适应通道选择和融合。 MDCR模块通过多个深度可分离的卷积层捕获不同感受野范围的空间特征。 在 SIRST 红外单帧图像数据集上的大量实验结果表明，所提出的 HCF-Net 表现良好，超越了其他传统和深度学习模型。

可以从头开始训练的明智上下文融合网络。
• 提出了三个实用模块：并行补丁感知注意（PPA）模块、维度感知选择性集成（DASI）模块和多扩张通道细化器（MDCR）模块。 这些模块有效缓解了红外小物体检测中小物体丢失和背景清晰度低的问题。
• 我们评估了所提出的 HCF-Net 在公开的单帧红外图像数据集 SRIST 上的检测性能，并证明了其相对于几种最先进的检测方法的显着优势。

跑出结果后-相关方法详情请结合B站视频阅读全文，融入自己文章中！！！

在本文中，我们解决了红外小物体检测中的两个挑战：小物体丢失和背景杂波。 为了应对这些挑战，我们提出了 HCF-Net，它包含多个实用模块，可显着增强小物体检测性能。 大量的实验证明了 HCF-Net 的优越性，优于传统的分割和深度学习模型。 该模型在红外小物体检测中至关重要。

2 修改步骤！

2.1 修改YAML文件

2.2 新建.py

2.3 修改tasks.py

3、验证是否成功即可

执行命令

python train.py

改完收工！
关注B站：Ai学术叫叫兽er
从此走上科研快速路
遥遥领先同行！！！！

写在最后

学术因方向、个人实验和写作能力以及具体创新内容的不同而无法做到一通百通，关注UP：Ai学术叫叫兽
在所有B站资料中留下联系方式以便在科研之余为家人们答疑解惑，本up主获得过国奖，发表多篇SCI，擅长目标检测领域，拥有多项竞赛经历，拥有软件著作权，核心期刊等经历。
因为经历过所以更懂小白的痛苦！
因为经历过所以更具有指向性的指导！

祝所有科研工作者都能够在自己的领域上更上一层楼！

以下为给大家庭小伙伴们免费更新过的绘图代码，均配有详细教程，超小白也可一键操作! 后续更多提升文章档次的资料的更新请大家庭的小伙伴关注UP：Ai学术叫叫兽！