YOLOv11改进策略【卷积层】| TIP 2025 MFA 多阶段特征聚合 大核扩感受 + 多梯度融合，强效增强弱小目标特征

一、本文介绍

本文记录的是利用 MFA多阶段特征融合模块优化 YOLOv11 的目标检测网络模型。

MFA（Multi-Stage Feature Aggregation）通过通道分流、多阶段大核卷积与自适应通道注意力加权结合，构建多梯度、多感受野特征表达，全面强化弱小目标的细节与上下文特征。本文利用MFA模块，先通过通道拆分构建短路径保局部细节与长路径扩感受野的双分支结构，再以5×5/7×7大核卷积捕获多尺度上下文，依托均值与最大通道注意力自适应加权关键特征，对图像中微弱、低信噪比小目标进行特征强效增强，精准抑制复杂背景杂波干扰，在特征提取阶段实现局部细节与全局语义的高效互补，避免传统卷积感受野单一与梯度匮乏缺陷，显著提升复杂场景下红外弱小目标的检测精度与分割鲁棒性。

专栏目录：YOLOv11改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

专栏地址：YOLOv11改进专栏——以发表论文的角度，快速准确的找到有效涨点的创新点！

二、MFA模块介绍

2.1设计出发点

红外弱小目标尺寸极小、信噪比低，在特征传递中极易丢失信息；常规卷积感受野单一、梯度源不足，难以同时捕捉局部细节与全局上下文，导致小目标特征表达弱、检测漏检。因此提出多阶段特征聚合 MFA，用大核卷积+多分支+通道注意力强化小目标特征提取。

2.2 模块结构

MFA（Multi-Stage Feature Aggregation）流程：

1. 通道拆分：1×1卷积升维后均分两路，F₁走短路径保局部，F₂扩感受野；
2. 多感受野提取：F₂依次经5×5、7×7大核卷积，捕获多尺度上下文；
3. 通道注意力加权：对融合特征做均值/最大通道注意力，自适应加权不同感受野特征；
4. 多梯度融合：拼接短路径特征与加权后特征，输出多梯度、多感受野增强特征。

2.3 模块优势

• 小目标特征强增强：大核扩感受野、多分支保细节，显著提升弱