一、本文介绍本文记录的是利用分层特征融合模块HFFE改进 YOLOv12 的颈部融合部分。HFFE（Hierarchical Feature Fusion Encoder）通过单模态深浅特征尺度对齐、分层空间注意力筛选与坐标注意力位置编码结合，自适应完成浅层细节与深层语义的加权交互，打通单模态跨层级信息融合通路。本文利用HFFE模块，先通过双线性插值统一深浅特征空间尺寸，再借助空间注意力分别滤除浅层杂波、深层无效背景，生成层级权重矩阵动态分配深浅特征贡献，依托坐标注意力留存单模态小目标空间定位信息，针对性强化浅层微小目标纹理与深层全局语义特征，同步抑制浅层杂乱噪点、大面积背景等无效干扰信息，在编码器分层融合阶段实现局部细节与全局上下文高效互补，解决传统跳跃连接直接拼接导致的层级语义错位问题，大幅提升复杂场景下单模态小目标检测与分割精度。专栏目录：YOLOv12改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进专栏地址：YOLOv12改进专栏——以发表论文的角度，快速准确的找到有效涨点的创新点！文章目录一、本文介绍二、HFFE模块介绍2.1 设计出发点2.2 模块结构2.3模块优势三、HFFE的实现代码四、添加步骤4.1 修改一4.2 修改二4.3 修改三五、yaml模型文件5.1 改进版本六、成功运行结果二、HFFE模块介绍2.1 设计出发点单幅图像内部浅层特征富含纹理、边缘细粒度细节，深层特征承载全局语义与大尺度上下文，但深浅特征尺度不统一、语义差距明显。传统跳跃连接仅简单叠加深浅特征，存在三大缺陷：深浅特征尺度不一致、语义鸿沟较大，直接叠加易引入浅层杂乱纹理噪声、深层平滑背景冗余信息；无自适应权重分配机制，浅层微小目标细节易被深层全局背景覆盖，小目标特征被淹没；缺少跨层级双向信息交互，无法同步融合浅层精细细节与深层全局语义信息。2.2 模块结构HFFE（Hierarchical Feature Fusion Encoder）分层特征融合编码器：层级尺度对齐：对深层全局特征执行双线性上采样，匹配浅层特征分辨率，消除深浅层尺度不匹配问题；分层空间注意力精炼：分别对浅层细节特征、深层语义特征使用空间注意力过滤各自无关背景杂波，生成层级自适应权重矩阵完成双向加权；坐标注意力位置编码：提取特征横竖空间位置关联信息，锁定单模态内小目标像素区域，保留微小目标定位特征；分层融合输出：通道卷积聚合加权后的深浅特征，生成融合精细纹理与全局语义的统一分层特征，送入解码器跳跃连接支路。