YOLOv11改进策略【卷积层】| arXiv 2025 加权卷积Weighted Conv 密度函数提表征 + 零参扩展降负担，提升目标检测精度

一、本文介绍

本文记录的是利用加权卷积改进 YOLOv11 的卷积层特征提取部分。

Weighted Convolution（加权卷积）通过空间密度函数与标准卷积核加权结合，实现YOLOv11特征提取中像素位置依赖的差异化权重分配。本文利用Weighted Convolution算子，通过对称衰减的密度函数强化中心像素与关键邻域的特征贡献，再通过核与密度函数的逐元素加权生成针对性卷积核，同时依托零额外参数设计保持模型轻量化，对YOLOv11中目标的核心区域与边缘细节特征进行精准捕捉、抑制背景冗余像素干扰，在特征提取阶段实现空间结构信息的高效表征，避免传统卷积等权像素导致的特征混淆，增强模型对复杂场景下目标的检测精度与空间特征分辨能力。

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、加权卷积介绍

Weighted Convolution的设计出发点、模块结构和模块优势

设计出发点

Weighted Convolution（加权卷积）旨在解决传统卷积“像素等权贡献”的局限性：传统卷积默认感受野内所有像素对参考像素的影响权重相同，忽略了像素相对位置的空间关联性，导致空间特征表征不够精准。该算子通过引入空间密度函数，让网络能根据像素与参考点的相对位置差异化分配权重，在不增加可训练参数的前提下，提升特征提取的针对性，适配图像分类、去噪等任务对空间结构建模的需求。

模块结构

Weighted Convolution以传统卷积为基础，核心新增空间密度函数的加权机制，整体结构简洁且兼容现有CNN架构：

1. 核心组件：由标准卷积核（W WW<