YOLOv11涨点改进| TGRS 2026 | 独家创新、注意力改进篇|引入RFHA-YOLO中的AHAT自适应混合注意力模块，含多种创新，适合遥感小目标检测、小目标图像分割、图像分类任务高效涨点

一、本文介绍🔥本文给大家介绍使用 RFHA-YOLO中的AHAT自适应混合注意力模块 改进YOLOv11网络模型，通过在特征提取与融合阶段实现全局信息与局部细节的协同建模，通过混合注意力机制增强特征表达能力，使模型在捕捉长距离依赖的同时保留关键边缘与纹理信息，从而提升目标检测的精度与稳定性。该模块通过自适应权重分配机制动态融合多种特征，有效抑制背景干扰，在复杂场景、小目标及低对比度条件下显著提高检测鲁棒性。同时，AHAT具备良好的可插拔性，在不显著增加计算开销的前提下，有效提升YOLOv11的整体性能与泛化能力。🔥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、AHAT自适应混合注意力模块介绍2.1 AHAT自适应混合注意力模块结构图2.2AHAT模块的作用：2.3 AHAT模块的原理2.4AHAT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tasks.py文件五、创建涨点yaml配置文件🚀创新改进1🔥: yolov11n_AHAT.yaml🚀创新改进2🔥: yolov11n_C3k2_AHAT.yaml🚀创新改进3🔥: yolov11n_C2PSA_AHAT.yaml🚀创新改进4🔥: yolov11n_AHAT-2.yaml🚀创新改进5🔥: yolov11n_RFHA-YOLO.yaml🔥🔥🔥六、正常运行二、AHAT自适应混合注意力模块介绍摘要：在遥感图像中进行小目标检测仍面临诸多挑战，这主要源于特征分辨率有限以及背景复杂。传统检测器由于采用固定的感受野和统一的注意力机制，难以捕捉小目标的特征，并容易受到背景干扰的影响。为解决这些局限性，我们提出了 RFHA -YOLO——一种旨在提升小目标特征提取效果的创新方法。 RFHA -YOLO融合了两项关键创新：首先，在主干网络中构建了带有嵌入式感受野注意力模块（RFABlock）的动态核分解模块，作为传统空间金字塔池化结构的替代方案；RFABlock的核心是RFAConv层，该层能动态调整大核分支的感受野，从而有效保留小目标的精细细节，同时抑制无关背景区域的影响；其次，在特征融合阶段引入了自适应混合注意力变换器（AHAT），实现了通道注意力、空间注意力和基于窗口的自注意力的自适应整合。通过在每个金字塔层级学习重要性评分，该方法能够动态平