YOLO11涨点优化：特征融合改进 | 融合Centralized Feature Pyramid (CFP)，关注全局中心化信息，提升长距离依赖获取

引言：目标检测的“层内盲区”问题

从事目标检测研究和工程落地的小伙伴一定深有体会：在YOLO系列的实际应用中，我们常常把大部分精力花在Backbone的升级、Neck结构的调整、注意力机制的引入上。但你是否注意过一个问题——特征金字塔的每一层内部，它的特征表达真的足够好吗？

当我们用FPN（Feature Pyramid Network）将深层语义信息传递到浅层时，每一步都在做“层间交互”。但一个被长期忽略的事实是：每一层内部的特征，往往只经过了卷积操作的局部感受野处理，缺乏对全局上下文的感知能力。这就导致模型在处理远距离语义关系时严重依赖层间传递，一旦中间某一层的特征表达不够充分，整个金字塔的信息流就会大打折扣。

更具体地说，传统特征金字塔存在两个根本性的盲区：

第一，层内特征调节的缺失。现有方法过度关注层间特征交互（如FPN自顶向下的路径、PANet自底向上的路径），却忽略了层内特征调节的重要性。根据《Centralized Feature Pyramid for Object Detection》论文的观点，尽管一些方法试图借助注意力机制或视觉变换器来学习紧凑的层内特征表示，但它们忽略了对密集预测任务至关重要的角落区域信息。

第二，长距离依赖获取能力的不足。常规卷积操作的感受野是有限的，虽然堆叠多层可以扩大感受野，但这种方式效率低下且容易丢失全局结构信息。对于需要理解图像整体语义的任务（如大尺度场景中的目标关系推理、被遮挡目标的上下文推断），这种不足尤为致命。

为了解决这些痛点，