YOLOv13涨点改进| SCI一区 2026顶刊 | 独家特征融合改进篇 | 引入BCAFusion双向交叉注意力融合模块，促进红外与可见光特征的深度交互，适合可见光与红外图像融合目标检测，有效涨点

一、本文介绍

🔥本文给大家介绍使用 BCAFusion双向交叉注意力融合模块 改进YOLOv13网络模型，BCAFusion模块分别从两种模态生成查询、键和值，并融合红外与可见光查询形成统一共享查询，再分别检索两类模态特征，从而充分结合红外图像的目标显著性与可见光图像的纹理、边缘和结构信息，降低传统单向交叉注意力对单一模态的依赖与融合偏差。该模块能够增强行人、车辆及小目标的响应，保留复杂背景中的细粒度信息，并在低照度、噪声、雨雾、模糊和遮挡等场景下利用另一模态补偿退化信息，有助于减少漏检、误检和定位偏差，提高YOLOv13的多模态特征判别能力、检测精度及复杂环境鲁棒性.

🔥欢迎订阅我的专栏、带你学习使用最新-最前沿-独家YOLOv13创新改进！🔥

YOLOv13专栏改进目录：YOLOv13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、HyperACE二次创新、独家创新等几百种创新点改进。

全新YOLOv13创新改进专栏链接：全新YOLOv13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