本文介绍了风车状卷积（PConv）和基于尺度的动态（SD）损失在YOLOv11中的结合应用。PConv采用不对称填充，通过特殊结构设计、卷积运算和分组卷积技术，能更好地适应红外小目标的像素高斯空间分布，在少量增加参数的情况下极大扩展感受野。SD损失可根据目标大小动态调整尺度和位置损失的影响。我们将PConv集成到YOLOv11的主干网络低层，并在相关配置文件中进行设置。实验证明，YOLOv11 -

本文介绍了创新的对象检测框架GiraffeDet在YOLOv11中的结合应用。GiraffeDet旨在通过轻量级骨干网络和深度、庞大的颈部模块实现高效的多尺度信息交换，其核心包括轻量级的空间到深度链（S2D-chain）和广义特征金字塔网络（GFPN）。其中，S2D-chain减少计算成本和域迁移问题，GFPN提供跨层次和跨尺度的特征融合。我们将GFPN集成进YOLOv11，替代原有的特征融合模块