一、本文介绍
🔥这篇顶刊使用YOLO模型发SCI一区Top！喜提ISPRS 2026顶刊！做多模态目标检测任务。
只要选对最前沿创新专栏，顶会顶刊也是编好故事!
本文给大家介绍利用 FAFM特征对齐融合模块 改进YOLOv11网络模型，可以有效解决多模态特征之间的空间错位问题，并提升特征融合质量。该模块通过对来自不同模态的特征进行自适应对齐与融合，使各模态在特征空间中保持更好的空间一致性，从而充分利用不同模态之间的互补信息。在目标检测任务中，FAFM能够增强模型对目标区域的特征表达能力，提高在复杂背景、模态差异较大的场景下的检测精度和鲁棒性。同时，该模块结构相对轻量，在提升检测性能的同时不会显著增加模型的计算复杂度，有助于保持YOLOv11的高效性与实时检测能力。
🔥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、FAFM特征对齐融合模块介绍
2.1 FAFM特征对齐融合模块结构图
2.2 FAFM特征对齐融合模块的作用
2.3 FAFM特征对齐融合模块的原理
2.4 FAFM特征对齐融合模块的优势
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中引用编辑
3.修改tasks.py文件
五、创建涨点yaml配置文件
🚀 创新改进1🔥: yolov11n_FAFM.yaml
🚀 创新改进2🐉: yolov11n_FAFM-2.yaml
🚀 创新改进3🔥: yolov11n_FAFM-3.yaml
六、正常运行
二、FAFM特征对齐融合模块介绍
摘要：利用光学与合成孔径雷达（SAR）影像进行多模态船舶检测，是实现稳健海上监测的迫切需求。然而，现有基于融合的方法大多假设光学-SAR配对在空间上对齐，而这一假设在实践中因传感器几何差异、采集时序及配准误差等因素极少成立。这种错位严重削弱了传统融合策略的有效性。为解决这一挑战，我们提出MHFNet——一种具有对齐感知能力的混合融合框架，系统整合了特征、损失和决策层面的改进。首先，我们引入特征对齐与融合模块（FAFM），通过可变形卷积和内容引导注意力机制实现鲁棒的跨模态特征对齐。其次，设计了不确定性感知形状交并比损失（US-Loss），该损失通过弱化由跨模态标签偏移导致的不可靠训练样本，同时结合形状感知约束增强边界框回归。第三，开发了基于距离匹配的概率融合算法（DMP-Fusion），通过距离匹配和贝叶斯推断解决多模态检测输出的不一致性。在 QXS 和苏伊士两大基准数据集上的大量实验表明，MHFNet持续超越现有最先进方法，平均精度提升高达+4.77%，F1分数提升+4.93%。这些结果表明，MHFNet为在实际跨模态错位条件下进行多模态船舶检测提供了一种稳
