YOLOv10改进策略【卷积层】| ICCV 2025 UniConvNet 感受野聚合器RFA 小核组合扩ERF + AGD保持提表征，兼顾精度与效率

一、本文介绍本文记录的是利用RFA 模块改进 YOLOv10 的骨干网络特征提取部分。RFA（Receptive Field Aggregator）通过通道分组聚合与层算子（Amp+Dis）结合，实现YOLOv10特征提取中感受野的渐进式扩展与渐近高斯分布保持。本文利用RFA模块，通过通道金字塔分组减少冗余计算，再通过层算子的大核扩展感受野、小核补充细节，同时依托递归聚合机制融合多分支特征，对YOLOv10中不同尺度目标的长程关联特征与局部细节特征进行针对性强化、抑制空间无关特征干扰，在特征提取阶段实现AGD与ERF的高效平衡，避免传统大核卷积的高耗与小核卷积的感受野不足问题，增强模型对复杂场景下多尺度目标的检测精度与特征表达能力。专栏目录：YOLOv10改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进专栏地址：YOLOv10改进专栏——以发表论文的角度，快速准确的找到有效涨点的创新点！文章目录一、本文介绍二、感受野聚合器RFA 介绍2.1 设计出发点2.2 模块结构2.3 模块优势三、感受野聚合器RFA 的实现代码四、添加步骤4.1 改进点1⭐五、添加步骤5.1 修改一5.2 修改二5.3 修改三六、yaml模型文件6.1 模型改进⭐七、成功运行结果二、感受野聚合器RFA 介绍2.1 设计出发点RFA（Receptive Field Aggregator，感受野聚合器）旨在解决现有卷积网络的核心矛盾：小核卷积感受野（ERF）有限，难以捕捉长程依赖；大核卷积虽能扩大ERF，但会破坏感受野的渐近高斯分布（AGD）（即中心像素影响强、边缘像素影响弱的合理空间关联性），且参数与计算量激增。RFA通过合理组合小尺寸核，在不依赖超大核的前提下，实现ERF的有效扩展，同时严格保持AGD，兼顾特征表达能力与模型效率，适配从轻量化到大规模网络的各类场景。2.2 模块结构RFA以“分层聚合+核心算子”为核心，整体为可插拔的模块化设计，核心构成如下：输入通道分组：将输入特征图沿通道维度分为N+1个分支（N为RFA层数），包括1个主分支（A系列）和N个辅助分支（H系列），主分支通道数呈金字塔式递增，减少参数冗余；核心层算子（LO）：作为RFA的基础单元，每个LO包含两个关键组件：放大器（Amp）：通过深度大核卷积（7×7、9×9、11×11等）扩展感受野，并通过逐元素乘法强化关键像素的影响；鉴别器（Dis）：结合小核卷积（3×3）引入新的小尺度像素贡献，构建“大感受野+小细节”的双层AGD；递归聚合流程：主分支依次