YOLO11涨点优化：特征融合优化 | BFE (边界特征增强) 模块接入Neck端，精准刻画目标轮廓，解决密集遮挡

引言：当检测模型“看不见”目标的边缘

在目标检测领域，有一个长期困扰研究者和工程师的痛点——密集遮挡场景下的边界模糊问题。无论是自动驾驶中拥挤的行人、工业质检中堆叠的零件，还是遥感图像中相邻的建筑物，当目标彼此严重遮挡时，检测框要么漏掉被遮挡目标，要么定位不准、轮廓漂移。问题的根源在于：传统检测器在Neck端进行多尺度特征融合时，不同目标的边界特征相互混合，使得遮挡区域的边缘信息被淹没在融合噪声中。

根据MLCommons在2026年3月发布的MLPerf Inference v6.0 Edge Suite基准测试报告，YOLO11凭借53.4%的COCO mAP和仅25.3M的参数量成为边缘端目标检测的新标杆。然而，康奈尔大学2026年3月发布的YOLO系列演进综述明确指出，密集场景下的边界感知和多目标分离能力仍然是YOLO11面临的核心挑战之一。

本文将介绍一种针对性的优化方案：将BFE模块接入YOLO11的Neck端，通过边界特征显式增强机制，精准刻画目标轮廓，大幅提升密集遮挡场景下的检测性能。

一、YOLO11架构回顾：为什么Neck端是“黄金改造位”

1.1 YOLO11的创新基因

YOLO11由Ultralytics于2024年9月在YOLO Vision 2024上发布，2025-2026年经历了大规模社区验证和应用拓展。根据2026年4月发布的arXiv技术分析论文