一、本文介绍
🔥本文给大家介绍使用 TMConv三角掩码卷积模块 改进YOLOv11网络模型，在特征提取阶段通过限制卷积感受野，有效避免局部冗余信息和噪声干扰，使网络更加专注于来自有效上下文的特征表达，从而提升特征的判别能力。通过其非对称卷积结构和方向性信息建模能力，TMC能够增强特征的空间结构感知能力，特别是在复杂背景或目标边界模糊的情况下，有助于提升目标定位精度与检测稳定性。同时，该模块无需额外下采样操作即可实现高效建模，在保持细节信息的同时控制计算开销，适合嵌入YOLOv11主干网络或特征融合层，在不显著增加复杂度的前提下提升整体检测性能与鲁棒性。
🔥欢迎订阅我的专栏、带你学习使用最新-最前沿-独家YOLOv11创新改进！🔥
YOLOv11专栏改进目录：YOLOv11改进专栏包含卷积、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、C2PSA/C3k2二次创新改进、全网独家创新等创新点改进
全新YOLOv11-发论文改进专栏链接：全新YOLOv11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、TMConv三角掩码卷积模块介绍
2.1 TMConv三角掩码卷积模块结构图
2.2 TMConv模块的作用：
2.3 TMConv模块的原理
2.4 TMConv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
3.修改tasks.py文件
五、创建涨点yaml配置文件
🚀 创新改进1🔥: yolov11n_TMConv.yaml
🚀 创新改进2🔥: yolov11n_TMConvC3k2.yaml
六、正常运行
二、TMConv三角掩码卷积模块介绍
摘要：盲点网络（BSNs）通过阻止对目标像素的访问实现自监督图像去噪，无需真实标签监督即可完成清晰信号估计。然而该方法基于像素级噪声独立性假设，但在真实世界sRGB图像中，由于相机图像信号处理（ISP）流程产生的空间相关噪声，这一假设往往无法满足。尽管现有方法采用降采样技术来消除噪声相关性，但会改变噪声统计特性并限制网络对完整上下文信息的利用能力。本文提出三角形掩码盲点网络（TM-BSN），这是一种新型盲点架构，能精准模拟真实sRGB噪声的空间相关性。这种相关性源于去马赛克处理过程——每个像素通过邻近样本重建时采用空间衰减权重，形成菱形分布特征。为使感受野与几何结构对齐，我们引入三角形掩码卷积机制，将卷积核限制在上三角区域，从而在原始分辨率下形成菱形盲点。该设计既能排除相关像素干扰，又能充分利用非相关上下文信息，无需进行降采样或后处理。此
