一、本文介绍
🔥本文给大家介绍使用局部-全局融合模块 (LGFB) 改进YOLOv11网络模型，可以显著提升模型的精度和鲁棒性。LGFB通过结合局部注意力（SWSA）和全局自注意力（EGSA），帮助YOLOv11同时捕捉细粒度的局部变化和大范围的全局信息，从而提高目标检测精度，尤其是在复杂场景或多目标检测中。它能够有效减少背景噪声干扰、提升对小目标的敏感度，并通过高效的计算方式确保实时检测性能。这种改进使得YOLOv11在变化检测、复杂背景下的目标识别以及计算资源受限的设备上表现更为优异。
🔥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！🔥
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、LGFB 局部-全局融合模块介绍
详细网络结构图：
2.1 LGFB 局部-全局融合模块结构图
2.2 LGFB 局部-全局融合模块作用：
2.3 LGFB 局部-全局融合模块原理
2.4 LGFB 局部-全局融合模块优势
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
五、创建涨点yaml配置文件
🚀 创新改进1: yolov11n_LGFB.yaml
🚀 创新改进2: yolov11n_C3k2_LGFB.yaml
六、正常运行
二、LGFB 局部-全局融合模块介绍
摘要：遥感变化检测对于城市扩展、灾害评估和资源管理至关重要，它能够提供及时、准确的大规模动态景观变化的洞察。虽然深度学习已在变化检测中取得了革命性进展，但现代模型日益增加的复杂性和计算需求并未必能带来显著的精度提升。与这种趋势不同，本研究探索了一种更高效的方法，聚焦于轻量化模型，在保持高精度的同时最小化资源消耗，这是卫星处理上的重要需求。为此，我们提出了FLICKCD（快速点击然后得到优秀结果），推动了性能与资源之间的平衡。FLICKCD引入了增强差异模块（EDM），通过放大时间阶段之间的关键特征差异并抑制如光照和天气变化等无关的变化，从而减少后续变化解码器的计算成本。此外，FLICKCD解码器结合了局部-全局融合块（LGFB），利用平移窗口自注意力（SWSA）和高效全局自注意力（EGSA）来有效地捕捉多尺度的语义信息，保留
