YOLOv12涨点改进| TGRS 2025 | 全网独家创新、涨点上采样改进篇| 引入LSE-FPN拉普拉斯增强特征金字塔，有效提升各层特征的表达，含A2C2f_LSE二次创新，小目标检测高效涨点

一、本文介绍

🔥本文给大家介绍利用 LSE-FPN拉普拉斯增强特征金字塔 改进YOLOv12网络模型，通过在特征金字塔中加入局部语义增强机制并改进多尺度特征融合方式，有效提升了各层特征的表达能力。该模块能够强化低层特征的语义信息，使模型在小目标检测和复杂场景下表现更优，同时通过轻量化设计控制计算开销，保证了实时性。此外，改进后的融合策略减少了不同尺度特征之间的信息冲突，提高了特征利用效率和训练稳定性，从而在不显著增加模型复杂度的前提下，实现检测精度与效率的协同提升。

🔥欢迎订阅我的专栏、带你学习使用最新-最前沿-独家YOLOv12创新改进！🔥

YOLOv12专栏改进目录：YOLOv12改进包含各种卷积、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、A2C2f二次创新、独家创新等几百种创新点改进。

全新YOLOv12改进专栏订阅链接：全新YOLOv12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、LSE-FPN模块介绍

2.1 LSE-FPN模块的网络结构图

2.2 LSE-FPN模块的作用

2.3 LSE-FPN模块的原理

2.3 LSE-FPN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​编辑

3.修改tasks.py文件

五、创建涨点yaml配置文件

🚀 创新改进1🔥: yolov12n_LSE_FPN.yaml

🚀 创新改进2🔥:  yolov12n_A2C2f_LSE.yaml

六、正常运行

二、LSE-FPN模块介绍

摘要：标检测是遥感图像解译中的一项基础任务。在大规模遥感图像中，常见的现象是感兴趣目标仅占据很小的区域。这类目标提供的信息有限，且边缘不清晰，通常被称为小目标。小目标的这些固有特性严重制约了深度目标检测网络在精确定位和准确分类方面的性能。在本文中，我们提出了一个重要挑战：小目标中存在类别相似的目标，这会导致严重的误分类并降低整体检测精度。为评估这一现象，我们提出了一种新的度量指标——相似类别角（Similar Category Angle, SCA），用于分类判别能力评估。该指标能够直观描述网络在最终预测中区分相似类别目标的能力。此外，我们提出了一种单阶段目标检测网络——相似类别增强网络（Similar Category Enhancement Network, SCENet），旨在解决小目标检测任务中相似目标难以区分的问题。具体而言，我们设计了基于SCA指标的SCA损失函数（SCA Loss），将该指标融入网络训练过程，从而增强模型对相似类别目标的判别能力。同时，我们提出了Laplacian–Sobel增强特征金字塔网络（LSE-FPN）模块。该模块在FPN中引入动态边缘提取算子，通过增强特征图中目标的显式边缘信息，提高网络对