一、本文介绍

🔥本文给大家介绍使用ADSF自适应特征融合模块改进 RT-DETR多模态网络模型。为了提升RT-DETR多模态融合目标检测中的跨层特征协同能力，本文引入ADSF自适应特征融合模块，对浅层空间细节特征与深层语义特征进行动态关联建模。该模块通过全局特征压缩提取通道级描述，并利用跨层相关性分析生成自适应融合权重，根据目标场景动态调整浅层纹理、边缘信息与深层语义表示的贡献比例。相比直接拼接或固定加权方式，ADSF能够有效缓解深浅层特征语义不匹配和信息冗余问题，在保留小目标细粒度结构的同时增强目标判别能力。该模块无需引入高复杂度计算结构，可在较低计算开销下提升RT-DETR对弱小目标、低对比度及复杂背景场景的定位精度、检测鲁棒性和泛化能力。

🔥欢迎订阅我的专栏、带你学习使用最新-最前沿-独家RT-DETR创新改进！🔥

🔥RT-DETR多模态改进专栏目录：《独家RT-DETR多模态改进专栏目录 》全网独家创新，多模态融合改进教程，包含早期融合、中期融合、后期融合、损失函数改进、二次创新模块、独家创新等几百种创新点改进，答疑群提供完整项目，永久更新中

🔥RT-DETR多模态创新订阅地址：RT-DETR多模态创新改进专栏—轻松跑实验、多模态项目较容易冲顶会顶刊，永久更新中

本文目录

 一、本文介绍

二、ADSF自适应特征融合模块介绍

SDS-Net网络结构图：

2.1 ADSF自适应特征融合模块结构图

2.2 ADSF自适应特征融合模块的作用：

2.3 ADSF自适应特征融合模块的原理

2.3 ADSF自适应特征融合模块的优势

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

3.修改tasks.py文件

五、创建涨点yaml配置文件

🚀 中期融合创新改进🔥:  rtdetr-r18-midfusion-ADSF.yaml

🚀 中后期融合创新改进🔥:  rtdetr-r18-mid-to-late-ADSF.yaml

🚀 后期融合创新改进🔥:  rtdetr-r18-latefusion-ADSF.yaml

六、正常运行

二、ADSF自适应特征融合模块介绍

​

摘要：当前基于卷积神经网络（CNN）的红外小目标检测（IRSTD）方法普遍忽视浅层特征与深层特征之间的异质性，导致浅层的精细结构信息与深层的高层语义表示之间协同效率不足。此外，不同特征层级之间的依赖关系及其融合机制缺乏系统建模，未能充分挖掘多层特征的互补性。这些问题在限制检测性能提升的同时，还带来了较高的计算开销。为解决上述问题，本文提出了一种浅–深协同检测网络（SDS-Net），通过高效建模多层特征表示，在提升红外小目标检测精度的同时显著降低计算复杂度。SDS-Net 采用双分支架构，分别对特征的结构属性和语义属性进行建模，在保留浅层空间细节的同时充分捕获深层语义信息，从而实现高精度且高效率的检测。此外，网络引入了一种自适应特征融合模块，用于动态建模跨层特征之间的相关性，增强整体特征协同能力和表示能力。在 NUAA-SIRST、NUDT-SIRST 和 IRSTD-1K 三个公开数据集上的大量实验结果