一、本文介绍
本文主要利用DuAT中的SBA 模块优化 YOLOv11 的目标检测网络模型。SBA 模块借鉴了医疗图像分割中处理边界信息的独特思路，通过创新性的结构设计，在维持合理计算复杂度的基础上，巧妙融合浅层的边界细节特征与深层的语义信息，实现边界特征的精准提取与语义信息的有效整合。将其应用于YOLOv11的改进过程中，能够使模型着重聚焦于目标物体的边界区域，降低背景及其他无关信息的影响，强化目标物体的边界特征表达，从而提升模型在复杂场景下对目标物体的检测精度与定位准确性。
专栏目录：YOLOv11改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
专栏地址：YOLOv11改进专栏——以发表论文的角度，快速准确的找到有效涨点的创新点！
二、SBA介绍
DuAT: Dual-Aggregation Transformer Network for Medical Image Segmentation
SBA 模块在医疗图像分割中具有重要作用，其设计出发点是解决图像中物体边界模糊以及融合特征时的冗余和不一致问题。
2.1 出发点
医疗图像存在物体边界模糊的问题，且以往直接融合低层次和高层次特征会导致冗余和不一致。浅层特征细节丰富但语义少、边界清晰，深层特征语义丰富。为了更好地描绘物体轮廓和重新校准物体位置，需要一种更有效的特征聚合方式。
2.2 结构原理
设计了新颖的重新校准注意力单元（RAU）块。
- 它在融合前自适应地从两个输入（$F^{s}$，$F^{b}$）中选取相互表示。浅层和深层信息以不同方式输入到两个 RAU 块，其中$F^{s}$是融合编码器第三和第四层后的深层语义信息，$F^{b}$是来自骨干网络的第一层具有丰富边界细节的信息。
- 两个 RAU 块的输出经过 3×3 卷积后进行拼接。
- RAU 块函数$PAU(\cdot,\cdot)$过程为：先对输入特征$T{1}$，$T{2}$应用线性映射和 sigmoid 函数$W{\theta}(\cdot)$，$W{\phi}(\cdot)$将通道维度降为 32 得到特征图$T{1}'$和$T{2}'$，然后通过特定公式计算得到最终结果。
2.3 作用
通过选择性地聚合边界信息和语义信息，能够更精细地描绘物体轮廓和确定重新校准物体的位置，有效解决边界模糊问题，提高模型对物体边界的分割精度，从而提升整体模型的性能。
论文：https://arxiv.org/pdf/2212.11677
源码：https://github.com/Barrett-python/DuAT
三、实现代码及YOLOv11修改步骤
模块完整介绍、个人总结、实现代码、模块改进、二次创新以及各模型添加步骤参考如下地址：
