YOLOv13涨点改进 | 全网独家创新、Neck特征融合改进篇 | TGRS 2025顶刊 | 引入ADSF自适应特征融合模块，自适应融合浅层特征与深层特征，适合红外小目标检测、图像分割等有效涨点

一、本文介绍

🔥本文给大家介绍使用ADSF自适应特征融合模块改进 YOLOv13网络模型，可有效改进其多尺度特征融合方式。ADSF 通过自适应建模浅层高分辨率结构特征与深层高语义特征之间的跨层依赖关系，动态调节二者在融合过程中的贡献比例，在保留细节信息的同时增强语义判别能力。这种融合机制能够显著提升 YOLOv13 在小目标、远距离目标及复杂背景场景下的检测精度，并有效抑制背景干扰、降低误检率。同时，ADSF 结构轻量、计算开销小，易于集成到 YOLOv13 的特征融合层中，在保持实时检测性能的前提下实现更优的检测效果。

🔥欢迎订阅我的专栏、带你学习使用最新-最前沿-独家YOLOv13创新改进！🔥

专栏改进目录：YOLOv13改进包含各种卷积、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、HyperACE二次创新、独家创新等几百种创新点改进。

全新YOLOv13创新改进专栏链接：全新YOLOv13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、ADSF自适应特征融合模块介绍

SDS-Net网络结构图：

2.1 ADSF自适应特征融合模块结构图

2.2 ADSF自适应特征融合模块的作用：

2.3 ADSF自适应特征融合模块的原理

2.3 ADSF自适应特征融合模块的优势

三、完整核心代码

 四、手把手教你配置模块和修改task.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task.py文件