YOLOv11涨点改进| TGRS 2026 |特征融合改进篇| 引入GFDM全局-局部特征动态融合模块，发论文热点创新，同时关注整体结构和细粒度变化，提升多尺度目标的表达能力，助力目标检测、分割涨点

一、本文介绍

🔥本文给大家介绍使用 GFDM全局-局部特征动态融合模块 改进YOLOv11网络模型，是在特征融合阶段实现全局语义信息与局部细节信息的自适应整合，使模型在检测过程中既能把握整体结构，又能精准刻画目标边界，从而提升多尺度目标的表达能力。通过动态权重分配机制，GFDM能够根据不同区域自动调整全局与局部特征的占比，避免传统特征融合中信息冗余或冲突的问题，增强特征的判别性与稳定性。其优势在于能够显著提升小目标与复杂场景下的检测性能，提高定位精度与鲁棒性，同时改善特征表达的完整性，但也可能带来一定的计算开销，需要在精度与实时性之间进行权衡。

🔥欢迎订阅我的专栏、带你学习使用最新-最前沿-独家YOLOv11创新改进！🔥

YOLOv11专栏改进目录：YOLOv11改进专栏包含卷积、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、C2PSA/C3k2二次创新改进、全网独家创新等创新点改进

全新YOLOv11-发论文改进专栏链接：全新YOLOv11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、GFDM全局-局部特征动态融合模块介绍

2.1 GFDM全局-局部特征动态融合模块结构图

2.2 GFDM模块的作用：

2.3 GFDM模块的原理

2.4 GFDM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tasks.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tasks.py文件

五、创建涨点yaml配置文件

🚀 创新改进1🔥: yolov11n_GFDM.yaml

🚀 创新改进2🔥: yolov11n_GFDM-2.yaml

🚀 创新改进3🔥: yolov11n_GFDM-3.yaml

六、正常运行

二、GFDM全局-局部特征动态融合模块介绍

摘要：随着城市化进程的持续推进，建筑变化检测在城市规划、灾害管理等领域的应用价值日益凸显。然而现有变化检测方法在空间域差异特征表示和多尺度差异捕捉方面仍存在显著局限。为解决这一问题，我们提出了一种新型差异特征动态融合网络（DF2Net），旨在提升遥感影像中建筑变化检测的准确性。DF2Net通过协同设计三个关键模块实现变化区域的有效检测：差异特征频域注意力模块（DFAM）、全局-局部特征动态融合模块（GFDM）以及伪标签深度监督模块（PDM）。具体而言， DFAM 结合傅里叶变换与自注意力机制从频域提取关键信息，从而优化变化区域的特征表征； GFDM 通过动态融合全局与局部特征有效捕捉多尺度变化信息；PDM则通过引入伪标签监督机制优化解码器中间层的特征学习。在 LEVIR -CD、 WHU -CD和 HRCUS -CD三大主流建筑变化检测数据集上的实验结果表明，DF2Net在F1分数和交并比（IoU）指标上均显著优