YOLOv11涨点改进| ICCV 2025 | 独家创新、注意力改进篇| 引入CBSM通道增强与智能空间映射模块，含多种创新改进，助力红外小目标检测、图像分割、图像分类、PCL缺陷检测高效涨点

一、本文介绍

🔥本文给大家介绍使用 CBSM通道增强与智能空间映射模块 改进YOLOv11网络模型，作用在于对输入特征进行通道增强与空间映射，使浅层图像信息能够更好地适配深层语义特征，从而提升特征表达质量并减少特征不匹配问题。其优势体现在能够有效抑制背景噪声、强化关键目标信息，增强模型对小目标和复杂场景的识别能力，同时提升检测精度与鲁棒性，并且由于结构相对简单，具有良好的可插拔性，但也可能带来一定的计算开销，需要在性能与效率之间权衡。

🔥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、CBSM通道增强与智能空间映射模块介绍

2.1 CBSM通道增强与智能空间映射模块结构图

2.2 CBSM模块的作用：

2.3 CBSM模块的原理

2.4 CBSM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_CBSM.yaml

🚀 创新改进2🔥: yolov11n_CBSM-2.yaml

🚀 创新改进3🔥: yolov11n_C3k2_CBSM.yaml

🚀 创新改进4🔥: yolov11n_C2PSA_CBSM.yaml

六、正常运行

二、CBSM通道增强与智能空间映射模块介绍

摘要：红外与可见光图像融合（IVF）旨在通过整合不同模态的最佳特性来构建复合输出。本文首次揭示了红外图像固有的“注意力特性”，这些特性直接源于其物理特征（即热量分布），并可自然地与注意力机制相关联——这一现象在图像分类模型的梯度加权类别激活映射（Grad-CAM）可视化分析中得到验证。为将该特性融入IVF以提升融合效果，我们提出源红外交叉注意力机制（I-SCA），并进一步将其扩展至可见光模态，进而引入源可见光交叉注意力机制（V-SCA）。I-SCA与V-SCA的联合应用显著缓解了IVF领域长期存在的问题，例如多模态特征交互与融合不足及不完整等。此外，我们为I-SCA和 VSCA 引入了辅助组件 CBSM ，用于增强通道空间映射能力，同时抑制源图像的冗余信息与误导性特征。具体而言，我们将 CBSM 处理后的原始图像直接作为查询输入，而将另一模态的中间特征作为I-SCA和V-SCA中的键值对。与将图像分割为块状或局限