077、YOLOv11改进-超分辨率辅助分支SR集成到Backbone的端到端小目标增强——即插即用模块实现小目标召回率提升6.8%

077、YOLOv11改进-超分辨率辅助分支SR集成到Backbone的端到端小目标增强——即插即用模块实现小目标召回率提升6.8%

上个月调一个无人机航拍检测项目，小目标漏检率卡在23%下不去。试过加FPN层、调anchor、改loss权重，效果都有限。后来翻到一篇CVPR的论文，把超分辨率分支塞进检测网络做联合训练，思路挺有意思。折腾了两周，把这个想法移植到YOLOv11上，小目标召回率从71.2%提到了78.0%，涨了6.8个点。今天把踩过的坑和最终方案写清楚。

问题在哪

YOLOv11的Backbone在浅层特征图上做检测，小目标像素少，特征响应弱。常规做法是加注意力机制或者多尺度融合，但本质问题没解决——特征图上的小目标信息本来就少，再怎么加权也有限。超分辨率辅助分支的思路是：在Backbone中插入一个轻量级SR模块，对浅层特征图做上采样重建，把模糊的小目标特征"补"清晰，再和原始特征图做融合。

模块设计

核心模块叫SR-AuxBlock，放在Backbone的P2层（对应160x160分辨率特征图）后面。结构分三路：

1. 主路：原始特征图直接过1x1卷积降维
2. SR支路：先上采样到320x320，过3层残差块重建细节，再下采样回160x160
3. 融合：两路特征逐元素相加，过SE模块做通道重标定

上采样用PixelShuffle，下采样用stride=2的卷积。这里有个坑——直接用双线性插值上采样，重建效果很差