YOLO26改进 - 注意力机制 | PPA(Parallelized Patch-Aware Attention)并行补丁感知注意:分层特征融合保持小目标表征

张开发
2026/4/9 23:09:07 15 分钟阅读

分享文章

YOLO26改进 - 注意力机制 | PPA(Parallelized Patch-Aware Attention)并行补丁感知注意:分层特征融合保持小目标表征
前言本文介绍了用于红外小目标检测的深度学习方法HCF-Net及其在YOLO26中的结合应用。HCF-Net采用升级版U-Net架构,包含PPA、DASI和MDCR三个关键模块。PPA模块利用分层特征融合和注意力机制,采用多分支特征提取策略,捕获不同尺度和级别的特征信息;DASI模块增强跳跃连接,实现高低维特征的自适应融合;MDCR模块通过深度可分离卷积捕获空间特征。我们将PPA模块集成进YOLO26,替换部分原有模块。文章目录: YOLO26改进大全:卷积层、轻量化、注意力机制、损失函数、Backbone、SPPF、Neck、检测头全方位优化汇总专栏链接: YOLO26改进专栏文章目录前言介绍摘要文章链接基本原理PPA核心代码YOLO26引入代码tasks注册步骤1:步骤2配置yolo26-PPA.yaml实验脚本结果介绍摘要红外小目标检测作为计算机视觉领域的重要研究方向,专注于红外图像中仅包含数个像素的微小目标的识别与定位任务。然而,由于目标尺寸极小且红外图像背景复杂度高,该任务面临严峻的技术挑战。本文提出了一种基于深度学习框架的红外小目标检测方法HCF-Net,通过集成多个创新功能模块显著提升了检测性能。具体而言,该方法包含并行化感知补丁注意力(PPA)模块、维度感知选择性融合(DASI)模块以及多膨胀通道优化(MDCR)模块。PPA模块采用多分支特征提取策略,有效捕获不同尺度与层次的特征信息;DASI模块实现自适应通道选择与融合机制;MDCR模块则通过多层深度可分离卷积操作获取多样化感受野范围的空间特征表达。在SIRST红外单帧图像数据集上进行的大量实验验证表明,所提出的HCF-Net模型展现出卓越的检测性能,显著超越了传统方法及现有深度学习模型的性能水平。相关实现代码已在https://github.com/zhengshuchen/HCFNet平台开源发布。文章链接论文地址:论文地址代码地址:

更多文章