【YOLOv13多模态融合改进】| TGRS 2026 CIFusion 通道交互融合 全局通道自适应权重 + 双向残差模态互通，缓解模态互抑提升小目标精度

一、本文介绍

本文记录的是利用CIF通道交互融合模块改进YOLOv13的可见光-红外双模态目标检测。

CIF（Channel Interaction Fusion）通过RGB-红外特征通道拼接、全局通道注意力权重生成与双向残差跨模态交互结合，动态分配两类模态通道贡献，搭建可见光纹理、红外热辐射双向互补信息流通通路。本文利用CIF模块，先将同尺度RGB、红外特征沿通道维度拼接，经全局平均池化与激活层生成逐通道自适应权重，过滤植被、云层等无效背景通道，再将加权特征拆分后以残差形式反向注入对侧模态分支，实现红外热特征修复可见光暗光噪声、RGB纹理补齐红外模糊车辆轮廓，针对性增强航拍微小车辆纹理与热辐射特征，强效抑制两类模态各自杂波通道带来的虚检干扰，在多尺度特征融合阶段解决传统静态拼接造成模态互相抑制、语义错位缺陷，轻量化设计不产生额外推理冗余，显著提升昼夜、遮挡、雾霾复杂航拍场景下车辆目标检测mAP与定位精度。

专栏目录：《多模态模型改进》目录一览 | 专栏介绍 ，多模态的全方位改进，提供多模态模型改进完整项目包-开箱即用

专栏地址：YOLO系列模型的多模态融合改进——极易上手、非常好发文的多模态改进教程！

二、CIFusion介绍

2.1 设计出发点

航拍可见光（RGB）与红外双模态图像存在天然互补性：RGB富含车辆纹理、色彩、边缘细节，但暗光、遮挡、雾霾场景信噪比极低；红外依靠热辐射凸显弱小车辆，但缺失精细轮廓、易受云层热杂波干扰。现有多模态融合存在三类关键缺陷：

1. 采用固定相加、简单通道拼接等静态融合方式，无自适应权重分配，RGB纹理极易淹没红外弱小目标热特征，或红外灰度覆盖RGB区分性细节；
2. 仅单向特征补充，缺少双向跨模态信息流通，两分支无法互相弥补自身缺陷，模态冲突严重；
3. 未从通道维度区分有效目标通道与无效背景通道，融合后杂波、冗余通道持续干扰航拍微小车辆检测，多尺度特征融合效果差。
   为此设计CIF通道交互融合模块，基于全局通道注意力生成动态模态权重，搭配双向残差交互机制，实现RGB、红外特征互相补偿、自适应加权融合，缓解模态错位与特征互相抑制问题，强化航拍弱小车辆多模态特征表达。

2.2 模块结构

CIF（Channel Interaction Fusion）适配RGB-红外双分支多尺度特征（P3/P4/P5），完整四步流水线：

1. 模态通道拼接：将同尺度RGB特征X i n R G B X_{in}^{RGB}