YOLOv11涨点改进| CVPR 2026 | 独家创新首发、特征融合改进篇| 引入CMGF 引导特征融合机制，实现对不同模态特征的自适应增强与高效融合，助力多模态目标检测，小目标检测或分割有效涨点

一、本文介绍🔥本文给大家介绍使用 CMGF 引导特征融合机制 改进YOLOv11网络模型，通过在特征融合阶段通过构建综合模态引导信息，实现对不同模态特征的自适应增强与高效融合，使模型在保留各自优势信息的同时抑制冗余与冲突特征，从而提升整体特征表达质量。该模块利用跨模态注意力机制强化关键目标区域，在复杂环境下能够更好地突出目标、抑制背景干扰，显著提高检测精度与定位稳定性。同时，CMGF具有良好的通用性和可插拔性，在不显著增加计算开销的前提下，有效增强YOLOv11在多模态、小目标及低对比度场景中的检测性能与鲁棒性。🔥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、CMGF 引导特征融合机制介绍2.1 CMGF 引导特征融合机制结构图2.2CMGF模块的作用：2.3 CMGF模块的原理2.4CMGF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_CMGF.yaml🚀创新改进2🔥: yolov11n_CMGF-2.yaml.yaml🚀创新改进3🔥: yolov11n_CMGF-3.yaml.yaml六、正常运行二、CMGF 引导特征融合机制介绍摘要：与图像相比，视频更能真实反映现实场景中的采集过程，并蕴含宝贵的时间信息。然而，由于大规模多传感器视频数据集的匮乏，现有的多传感器融合研究主要整合来自多张图像的互补上下文信息而非视频数据，这不仅限制了视频融合领域的研究进展，也使得在统一框架下联合建模空间与时间依赖关系变得尤为困难。为此，我们构建了M3SVD基准数据集——该数据集包含220段时间同步、空间配准的红外-可见光视频，共计153,797帧，有效填补了数据空白。其次，我们提出VideoFusion多模态视频融合模型，该模型利用跨模态互补性与时间动态特性，从多模态输入中生成时空连贯的视频。具体而言：1）开发了差异强化模块以实现跨模态信息交互与增强；2）采用完整的模态引导融合策略，自适应整合多模态特征；3）设计了双时序协同注意力机制，动态聚合前后时间上下文以强化帧间特征表征。实验结果表明，VideoFusion在序列处理中优于现有的图像导向融合方法，能有效缓解时间不一致性和干扰问题。