YOLOv11涨点改进| SCI一区2026 | 独家创新首发、特征融合改进篇| 使用IGCAB光照引导交叉注意力模块，助力各种任务的目标检测，图像分割，多模态融合目标检测，低光图像增强，有效效涨点

一、本文介绍🔥本文给大家介绍使用 IGCAB光照引导交叉注意力模块 改进YOLOv11网络模型，利用红外模态的稳定信息对可见光特征进行引导，使模型在特征融合阶段能够建立更加有效的跨模态关联，从而增强特征表达能力并缓解不同模态之间的差异带来的干扰。通过这种引导式跨注意力机制，YOLOv11能够在复杂环境下更准确地聚焦目标区域，提升目标定位与分类的精度，尤其在低光照、遮挡或背景干扰较强的场景中效果更加明显。其优势体现在能够充分利用多模态互补信息，提高检测鲁棒性和小目标识别能力，同时由于IGCAB采用轻量化设计，在提升性能的同时不会显著增加计算开销，保证模型仍具备良好的实时性和可扩展性。🔥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、IGCAB光照引导交叉注意力模块介绍2.1 IGCAB光照引导交叉注意力模块结构图2.2 IGCAB模块的作用：2.3 IGCAB模块的原理2.4IGCAB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_IGCAB.yaml🚀创新改进2🔥: yolov11n_IGCAB-2.yaml🚀创新改进3🔥: yolov11n_IGCAB-3.yaml六、正常运行二、IGCAB光照引导交叉注意力模块介绍摘要：可见光-红外目标检测旨在利用不同模态间的互补性，以提升复杂环境中的目标分类与定位精度。然而现有方法大多侧重检测性能而忽视网络复杂度，导致实际应用受限。为此，我们提出一种轻量级模态引导交叉注意力融合网络（LCAFNet），该网络由可见光引导交叉注意力模块（VG-CAB）、红外光引导交叉注意力模块（IG-CAB）及门控融合模块（GFB）构成。VG-CAB与IG-CAB通过利用单一模态的注意力权重引导另一模态的信息聚合，实现跨模态信息交互与多视角特征融合。这两个模块生成包含可见光（VIS）与红外光（IR）信息的互补特征，形成全面且鲁棒的多模态特征表示。得益于VG-CAB与IG-CAB生成的增强互补特征， GFB 通过门控策略实现特征间的自适应完整融合。此外，从双分支骨干网络中提取的浅层VIS与IR特征被用于挖掘整合具有更强空间与边缘信息的互补特征，从而显著提升检测模型的定位与分类能力。大量实验表明，在五个常用公开数