在遥感图像语义分割等视觉任务中，编码器 - 解码器结构通过跳跃连接融合多尺度特征时，常面临两大挑战：一是编码器的局部细节特征与解码器的全局语义特征融合时，空间位置信息易丢失，导致目标定位不准；二是复杂场景中（如目标大小不均、背景噪声多），特征融合过程中易出现类别误分（如相似颜色的不同类别混淆）。传统注意力机制虽能增强关键特征，但多依赖高计算成本的全连接层或 Transformer 结构，难以在轻量级网络中平衡精度与效率。为此，信息整合注意力（IIA）被提出，旨在通过轻量级设计重构空间位置信息，增强编码器与解码器特征的有效融合，同时抑制噪声干扰。

1.IIA原理

        IIA 的核心原理是基于特征的位置不变性，通过捕捉通道内的序列信息生成空间注意力权重，动态增强关键位置特征并抑制噪声。具体而言，它首先融合编码器与解码器的特征图，通过池化操作提取通道内的全局与局部统计信息（平均池化捕捉整体趋势，最大池化突出显著特征）；再利用 1D 卷积处理这些序列信息，生成高度和宽度方向的注意力调制因子，使模型能自适应聚焦于目标区域（如边界、小目标），弱化背景噪声，最终实现更精准的空间位置信息重构与特征增强。

IIA 的结构主要包括以下步骤：

1. 特征融合与重塑：将编码器输出特征图与解码器输出特征图按通道维度拼接，再重塑为聚焦高度和宽度方向的两个特征图，分别对应不同的空间维度信息处理45。
2. 序列信息提取：对重塑后的特征图分别进行平均池化和最大池化操作，提取高度和宽度方向的序列特征，捕捉通道内的全局趋势和显著特征3。
3. 注意力调制因子生成：将池化结果拼接后，通过 1D 卷积（核大小为 7）压缩通道并捕捉序列依赖关系，经批归一化和 Sigmoid 激活函数，生成高度和宽度方向的注意力调制因子67。
4. 特征增强输出：将注意力调制因子与原始融合特征图进行元素乘法操作，并与原始特征图进行残差相加，得到增强后的特征图，实现空间位置信息的重构和关键特征的强化7。

2. IIA在不同领域论文中的描述

IIA 在目标检测中的优点

        IIA 在目标检测中能有效提升特征融合的精准性与抗干扰性。其通过高度和宽度双方向的注意力调制，可针对性增强目标区域（如小目标、密集目标）的位置特征，弱化复杂背景（如纹理干扰、光照变化）的噪声影响，帮助模型更精准定位目标边界与中心；同时，轻量级设计（1D 卷积替代全连接层）避免了计算负担，使检测网络在保持实时性的同时，提升对难样本（如遮挡目标、低对比度目标）的识别率，平衡检测精度与速度。

IIA 在分割中的优点

        YOLO 以实时性为核心优势，IIA 的轻量级设计（低参数与低 FLOPs）不会显著降低其推理速度；同时，IIA 对目标位置特征的增强的能力，能提升 YOLO 在密集场景或小目标检测中的精度，尤其适合复杂环境下的快速目标定位。

3. YOLO与IIA的结合  

       YOLO 以实时性为核心优势，IIA 的轻量级设计（低参数与低 FLOPs）不会显著降低其推理速度；同时，IIA 对目标位置特征的增强的能力，能提升 YOLO 在密集场景或小目标检测中的精度，尤其适合复杂环境下的快速目标定位。

4. IIA代码部分

信息整合注意力IIA,通过双方向注意力机制重构空间位置信息，动态增强目标关键特征并抑制噪声_哔哩哔哩_bilibili

YOLOv11模型改进讲解，教您如何根据自己的数据集选择最优的模块提升精度_哔哩哔哩_bilibili

 代码获取：https://github.com/tgf123/YOLOv8_improve

 5. IIA到YOLOv11中

第一: 将下面的核心代码复制到D:\model\yolov11\ultralytics\change_model路径下，如下图所示。

            ​​​​​​  

第二：在task.py中导入包

 ​​​          

第三：在task.py中的模型配置部分下面代码

                   

第四：将模型配置文件复制到YOLOV11.YAMY文件中

       ​​​​​​​​​​​​​​​​​​​​​​​​​​​​ 

     ​​​​​​​ ​​​​​​​​​​​​​​ ​​​​​​​ ​​​​​​​​​​​​​第五：运行代码

from ultralytics.models import NAS, RTDETR, SAM, YOLO, FastSAM, YOLOWorld
import torch
if __name__=="__main__":# 使用自己的YOLOv8.yamy文件搭建模型并加载预训练权重训练模型model = YOLO("/home/shengtuo/tangfan/YOLO11/ultralytics/cfg/models/11/yolo11_IIA.yaml")\# .load(r'E:\Part_time_job_orders\YOLO\YOLOv11\yolo11n.pt')  # build from YAML and transfer weightsresults = model.train(data="/home/shengtuo/tangfan/YOLO11/ultralytics/cfg/datasets/VOC_my.yaml",epochs=300,imgsz=640,batch=4,# cache = False,# single_cls = False,  # 是否是单类别检测# workers = 0,# resume=r'D:/model/yolov8/runs/detect/train/weights/last.pt',amp = False)

 ​​​​