一、本文介绍
🔥本文给大家介绍使用 MSCKB 中国结多尺度特征提取模块 改进RT-DETR网络模型，通过在主干网络或颈部网络中具备更强的多尺度特征提取和小目标特征保留能力。MSK-Block 基于多尺度 CKConv 构建，能够同时提取不同尺度、不同方向的目标特征，并通过残差连接和 CGLU 动态调整减少信息损失。因此，它可以帮助RT-DETR在下采样和特征融合过程中更好地保留暗弱小目标、细长目标和低对比度目标的边缘、轮廓及局部结构信息。相比普通卷积模块，MSK-Block 的优势在于多尺度建模能力更强，能够缓解小目标特征在深层网络中的衰减问题，同时兼顾方向特征提取和局部空间一致性，从而提升小目标检测精度、复杂背景下的检测鲁棒性和边界定位能力，并在较低计算开销下保持较好的检测效率。
🔥欢迎订阅我的专栏、带你学习使用最新-最前沿-独家RT-DETR创新改进！🔥
🔥RT-DETR创新改进目录：全新RT-DETR 有效涨点改进目录 | 包含各种卷积、主干改进、各种注意力机制、Neck特征融合改进、损失函数、AIFI创新改进、独家创新、小目标检测、特殊场景检测等最全大论文及小论文必备创新改进点
🔥全新RT-DETR创新改进专栏地址：最全RT-DETR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、MSCKB 中国结多尺度特征提取模块介绍
2.1 MSCKB 中国结多尺度特征提取模块结构图
2.2 MSCKB 模块的作用：
2.3 MSCKB 模块的原理
2.4 MSCKB 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🔥: rtdetr-l-MSCKB.yaml
🚀 创新改进2🔥: rtdetr-l-MSCKBC3.yaml
🚀 创新改进3🔥: rtdetr-l-HGBlock_MSCKB.yaml
🚀 创新改进4🔥: rtdetr-l-ResNetLayer_MSCKB.yaml
🚀 创新改进5🔥: rtdetr-r18-BasicBlock_MSCKB.yaml
🚀 创新改进6🔥: rtdetr-r18-MSCKB.yaml
🚀 创新改进7🔥: rtdetr-r18-MSCKBC3.yaml
🚀 创新改进8🔥: rtdetr-r50-BottleNeck_MSCKB.yaml
🚀 创新改进9🔥: rtdetr-r50-MSCKB.yaml
🚀 创新改进10🔥: rtdetr-r50-MSCKBC3.yaml
六、正常运行
二、MSCKB 中国结多尺度特征提取模块介绍
摘要：遥感红外船舶检测在军民融合应用中的海上安全与交通管理领域具有关键作用。然而，现有方法的检测精度与鲁棒性仍受限于数据集的局限性，包括数据规模较小、目标尺寸分布狭窄、目标分布稀疏以及场景特定性较高。为解决这些问题，我们整合公开可用的数据集构建了红外船舶检测数据集（IRShip）——该数据集包含27,138张图像，规模较大且数据多样性显著提升。我们进一步设计了复制泊松混合（CP-PB）离线数据增强方法，并引入了密集一对一（Dense-O2O）在线增强策略，该策略能更好地适应复杂背景与尺度变化，缓解目标稀疏带来的问题，同时提升数据集实用性和模型鲁棒性。我们提出 MSCK -Net——一种专为检测低亮度、小型红外船舶目标（DSIRSTs）设计的多尺度中国结卷积网络。具体而言，我们创新性地提出了中国结卷积（CKConv），其能更精准地捕捉小型目标的局部特征与船舶目标的形态特征，从而显著增强低级特征表征能力。基于CKC
