在无人机影像等场景中，小目标检测面临低分辨率、背景融合导致特征信息有限的挑战。传统多尺度特征融合策略（如 FPN 中的简单拼接或相加）未能充分利用多尺度融合优势，特征间相关性不足，且在复杂背景和密集区域中表现不佳。同时，深层网络中 3×3 大卷积核易产生冗余特征，导致小目标信息丢失或语义偏移。为解决这些问题并高效利用计算资源，研究人员提出了基于增强层间特征相关性（EFC）的轻量级融合策略。
1.EFC原理
EFC 通过增强层间特征相关性和优化特征重构，提升小目标检测性能。其核心思路是：针对特征金字塔不同层语义表达不一致的问题，先通过分组特征聚焦单元（GFF）捕捉不同特征的上下文信息，增强各层特征相关性；再通过多级特征重构模块（MFR）对金字塔各层的强弱信息进行有效重构和转换，减少冗余融合，保留深层网络中小目标信息。该策略以轻量级设计为核心，避免大卷积核带来的计算负担，同时通过分层解构特征，平衡语义信息与空间定位的匹配度。
FC 由两个关键模块组成，整体结构可集成到 FPN 的 neck 部分：
分组特征聚焦单元（GFF）：包含空间聚焦（通过 1×1 卷积生成空间聚合权重，增强空间上下文信息）、特征分组融合（沿通道维度分组并进行特征交互，生成通道注意力掩码）、空间映射归一化（利用均值和标准差归一化特征，融入小目标空间位置信息），最终输出具有强相关性和丰富空间信息的特征Pf。
多级特征重构模块（MFR）：包含特征分离（通过平均池化和阈值划分强弱特征）、定向融合（分别对强弱特征进行映射和融合）、特征转换（强特征用 1×1 卷积细化，弱特征通过深度可分离卷积和通道调制轻量转换）、层级融合（合并转换后的强弱特征），输出保留小目标信息且语义增强的特征Pm。两者结合生成的特征Pk兼具空间和语义一致性，替代传统融合操作。 TeLU其
2.EFC习作思路
EFC 在检测领域论文中的描述
在检测领域论文中，EFC 被定义为一种轻量级特征融合策略，通过增强层间特征相关性解决小目标检测的瓶颈。论文强调其 “即插即用” 特性，可适配多种基础网络（如 GFL、RetinaNet），在 VisDrone、UAVDT、COCO 等数据集上，以 GFL 为基线时 mAP 提升 1.7%，同时显著降低 neck 端的参数（Params）和计算量（GFLOPs），尤其在密集小目标场景中，通过增强特征相关性和减少信息丢失，实现精度与效率的平衡。
EFC 在分割领域论文中的描述
若应用于分割领域，论文可能会强调 EFC 对多尺度特征细节的保留能力：通过 GFF 增强不同层级特征的上下文关联，帮助捕捉分割目标的边缘和细微结构；MFR 模块减少深层特征冗余，确保小目标或细粒度区域（如遥感影像中的小建筑、医学影像中的微小病灶）的特征不被背景淹没，从而提升分割掩码的精度，同时保持轻量级设计以适应实时分割需求。
3. YOLO与EFC的结合
将 EFC 整合到 YOLO 中，可通过增强层间特征相关性提升小目标检测精度，尤其在无人机视角等小目标密集场景中减少漏检；同时，其轻量级设计替代 YOLO 原 neck 中的大卷积核，降低计算量和参数，提升推理速度，适配 YOLO 的实时性需求。
4.EFC代码部分
YOLO12模型改进方法，快速发论文，总有适合你的改进，还不改进上车_哔哩哔哩_bilibili
代码获取：YOLOv8_improve/YOLOV12.md at master · tgf123/YOLOv8_improve · GitHub
5. EFC到YOLOv12中
第一: 先新建一个v12_changemodel，将下面的核心代码复制到下面这个路径当中，如下图如所示。E:\Part_time_job_orders\YOLO_NEW\YOLOv12\ultralytics\v12_changemodel。
第二：在task.py中导入包
第三：在task.py中的模型配置部分下面代码
第四：将模型配置文件复制到YOLOV12.YAMY文件中
第五：运行代码
from ultralytics.models import NAS, RTDETR, SAM, YOLO, FastSAM, YOLOWorld
import torch
if __name__=="__main__":
# 使用自己的YOLOv8.yamy文件搭建模型并加载预训练权重训练模型
model = YOLO("/home/shengtuo/tangfan/YOLO11/ultralytics/cfg/models/11/yolo12_EFC.yaml")\
# .load(r'E:\Part_time_job_orders\YOLO\YOLOv11\yolo11n.pt') # build from YAML and transfer weights
results = model.train(data="/home/shengtuo/tangfan/YOLO11/ultralytics/cfg/datasets/VOC_my.yaml",
epochs=300,
imgsz=640,
batch=4,
# cache = False,
# single_cls = False, # 是否是单类别检测
# workers = 0,
# resume=r'D:/model/yolov8/runs/detect/train/weights/last.pt',
amp = True
)