一、本文介绍

🔥本文给大家介绍使用OAM正交注意力融合机制改进YOLOv11网络模型，主要作用在特征融合或解码阶段优化浅层细节特征与深层语义特征的连接过程，缓解普通注意力机制因全局池化导致的空间位置信息丢失问题。OAM 通过沿水平和垂直两个正交方向分别建模注意力，使网络在增强目标相关特征的同时，保留目标的行、列位置线索，从而提高小目标、弱目标、边界模糊目标和复杂背景下目标的定位能力。其优势在于能够抑制背景杂波和无关区域响应，减少漏检和误检，增强 YOLOv11 对小尺度目标和低对比度目标的感知能力。

🔥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、OAM正交注意力融合机制介绍

2.1 OAM正交注意力融合机制结构图

2.2 OAM模块的作用：

2.3 OAM模块的原理

2.4 OAM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🔥

🚀 创新改进2🔥

🚀 创新改进3🔥

六、正常运行

二、OAM正交注意力融合机制介绍

摘要：在红外小目标检测（IRSTD）中，精确的目标-背景分离效果高度依赖于提取特征表示的区分能力。然而，现有方法大多局限于领域一致性场景，未能充分考虑这种区分能力能否泛化到未见过的领域。实际应用中，由于观测条件和环境因素的变化，训练数据与测试数据之间的分布差异不可避免。与此同时，红外小目标固有的模糊特性会加剧模型对特定领域模式的过拟合现象。因此，在源领域训练的模型在未知领域部署时，其检测性能可能显著下降。为解决这一问题，我们提出了一种用于跨域 IRSTD 的空间-谱协同感知网络（S2CPNet）。该网络突破传统空间学习框架，从频率角度重新审视 IRSTD 特征表示，并揭示谱相位不一致是领域差异的主要表现形式。基于此，我们开发了相位校正模块（PRM）以实现通用化的目标识别能力；在跳跃连接中采用正交注意力机制（OAM）以保留位置信息并优化特征表示；同时通