092、YOLOv11改进-红外弱小目标检测与增强——基于多尺度注意力与超分辨率分支的即插即用模块，弱小目标召回率提升8.5%上个月在调试一个红外监控项目，客户要求检测3公里外的人形目标，像素只有8x12左右。YOLOv11直接跑，召回率惨不忍睹——0.37。当时盯着tensorboard里的loss曲线，心里那个凉。后来试了各种trick：调anchor、改loss权重、加数据增强，效果都有限。直到我把这个多尺度注意力+超分辨率分支塞进去，召回率直接干到0.455，提升了8.5个百分点。今天就把这个模块拆开揉碎了讲清楚。问题在哪：红外弱小目标的三个死穴红外图像里的小目标跟可见光完全两码事。第一，信噪比低，目标可能就比背景亮几个灰度级，特征几乎淹没在噪声里。第二，尺度变化极端，同一帧里可能有5像素的无人机和50像素的车辆，常规FPN根本照顾不过来。第三，下采样过程中小目标信息直接蒸发了——YOLOv11的backbone下采样32倍，一个8像素的目标在特征图上只剩0.25个像素，这还检测个锤子。我踩过的坑是：直接堆注意力模块没用。SE、CBAM、CA这些注意力机制在红外小目标上效果很差，因为它们本质上是在做全局特征重标定，小目标在全局池化后贡献几乎为零。必须设计一个专门针对小尺度特征的保护机制。模块设计：多尺度注意力与超分辨率分支这个模块我取名叫MSA-SR（Multi-Scale Attention with Super-Resolution Branch），核心思路是两条腿走路：一条腿用多尺度注意力保留小目标的空间信息，另一条腿用超