arXiv 2026年9月24日该工作提出AGGRNet框架，在YOLOv11分类骨干中嵌入特征提取与聚合（FEA）模块和C2PCA块，通过空间与通道注意力加可学习阈值τ把特征图分为信息性与非信息性两部分，再用交叉注意力聚合，在LIMUC、ISIC2018、Kvasir、PathMNIST、RetinaMNIST五个公开数据集上取得优于所比较SOTA模型的结果，其中Kvasir准确率提升5.48%、LIMUC准确率提升2.2%。该工作提出AGGRNet框架，在YOLOv11分类骨干中嵌入特征提取与聚合（FEA）模块和C2PCA块，通过空间与通道注意力加可学习阈值τ把特征图分为信息性与非信息性两部分，再用交叉注意力聚合，在LIMUC、ISIC2018、Kvasir、PathMNIST、RetinaMNIST五个公开数据集上取得优于所比较SOTA模型的结果，其中Kvasir准确率提升5.48%、LIMUC准确率提升2.2%。AGGRNet用可学习阈值把医学图像特征分为信息性与非信息性两类，在Kvasir上比HiFuse-Small准确率高5.48%该工作提出AGGRNet框架，在YOLOv11分类骨干中嵌入特征提取与聚合（FEA）模块和C2PCA块，通过空间与通道注意力加可学习阈值τ把特征图分为信息性与非信息性两部分，再用交叉注意力聚合，在LIMUC、ISIC2018、Kvasir、PathMNIST、RetinaMNIST五个公开数据集上取得优于所比较SOTA模型的结果，其中Kvasir准确率提升5.48%、LIMUC准确率提升2.2%。该工作提出AGGRNet框架，在YOLOv11分类骨干中嵌入特征提取与聚合（FEA）模块和C2PCA块，通过空间与通道注意力加可学习阈值τ把特征图分为信息性与非信息性两部分，再用交叉注意力聚合，在LIMUC、ISIC2018、Kvasir、PathMNIST、RetinaMNIST五个公开数据集上取得优于所比较SOTA模型的结果，其中Kvasir准确率提升5.48%、LIMUC准确率提升2.2%。