YOLO11/12/26/DEIM/RTDETR：双融合混合像素注意力模块BFHPA（自研），双注意力自适应加权，残差上采样重建精细特征

一、研究背景

在视觉检测与分割网络的特征增强、上采样恢复阶段，传统注意力模块存在诸多短板：普通 ECA 通道注意力仅采用单平均池化，无法同时捕获全局极值与均值通道响应；传统空间注意力仅简单拼接均值最大值后单卷积输出，感受野受限，难以区分复杂背景与前景；通道、空间注意力固定权重叠加，无法自适应平衡二者贡献；缺少残差旁路易造成深层特征退化，上采样阶段直接插值易丢失精细纹理。针对通道表征提取不充分、空间前景定位弱、双注意力融合固定权重、上采样细节丢失、网络梯度退化等问题，设计双融合混合像素注意力模块 BFHPA，融合双池化 ECA 通道注意力、双流空间注意力，引入可学习参数动态平衡两类注意力，搭配膨胀卷积拓宽感受野与残差旁路，结合 PixelShuffle 高效上采样完成特征精细化重建。

二、双融合混合像素注意力模块BFHPA原理与结构

BFHPA 核心逻辑为双通道注意力自适应加权融合 + 残差增强高效上采样重建，分为四层核心机制：

双池化 ECA 通道注意力机制：同时使用全局平均池化 + 全局最大池化聚合通道全局信息，一维卷积自适应生成通道权重，兼顾全局平均语义与极值显著目标通道响应，精准筛选有效特征通道；
均值 - 最大值双流空间注意力机制：沿通道维度提取均值、最大空间热力图拼接融合，通过膨胀卷积扩大感受野，生成像素级空间掩码，压制杂乱背景像素、凸显目标区域；
自适应平衡双注意力融合：设置可学习参数 α、β 动态调整通道注意力特征与空间注意力特征占比，适配不同场景（小目标 / 大目标 / 密集遮挡）下通道、空间信息的需求差异；
膨胀卷积特征提纯 + 残差上采样重建：膨胀卷积扩大感受野融合上下文，PixelShuffle 无损高效上采样恢复分辨率，残差支路保留原始底层信息，缓解上采样细节丢失与梯度消失问题。

BFHPA 由四大子单元串联构成，输入单尺度特征图，输出 2 倍分辨率的细化特征，内部结构分层如下：

双池化 ECA 通道注意力子模块（ECAChannelAtt）：并行自适应平均 / 最大池化聚合全局通道信息，一维卷积自适应生成通道注意力掩码，对原始特征做通道加权筛选；
双流空间注意力子模块（DualSpatialAtt）：通道维度提取均值、最大值空间图拼接，3×3 膨胀卷积融合全局空间上下文，输出像素级空间门控，过滤背景噪声；
自适应融合与上下文提纯单元：可学习 α、β 加权融合通道增强特征、空间增强特征，3×3 膨胀卷积拓宽感受野、提取长距离上下文特征；
残差式上采样输出单元：主分支通过 PixelShuffle 完成 2 倍上采样，1×1/3×3 卷积调整输出通道；残差支路同步上采样对齐维度，主分支与残差逐元素相加，保留原始特征细节，避免深层信息丢失。

三、BFHPA嵌入目标检测网络的核心优势

通用目标检测场景下，BFHPA 依靠双池化 ECA 通道注意力同时捕捉全局均值与极值通道特征，强化小目标、遮挡物体的通道响应，双流空间注意力生成精细化像素掩码抑制杂乱背景干扰，可学习权重动态适配不同尺度目标对通道、空间信息的依赖程度；膨胀卷积拓宽感受野捕获远距离上下文关联，搭配 PixelShuffle 无损上采样恢复高分辨率特征，残差旁路防止梯度退化，大幅缓解检测网络上采样阶段微小目标轮廓丢失、相似类别特征混淆问题，在高密度、低光照、复杂航拍实景中降低漏检、误检，整体轻量化结构不会带来显著算力损耗，适配各类单 / 双阶段检测模型的特征增强与上采样环节。

四、BFHPA应用于图像分割任务的优势

面向语义分割、实例分割等稠密像素预测任务时，BFHPA 的双流空间注意力能够精准区分前景目标与背景像素，优化细小地物、狭长物体的分割边缘，双池化 ECA 通道注意力放大不同类别地物的通道特征差异，减少光谱 / 纹理相近类别像素混淆；膨胀卷积融合大范围上下文信息缓解分割孔洞、边缘锯齿问题，PixelShuffle 高效上采样完整还原细节纹理，残差连接保留底层原始特征，避免深层网络连续下采样 - 上采样造成的特征失真，有效提升全图像素分类精度与交并比，适配遥感、航拍大范围稠密分割场景。