一、本文介绍
🔥本文给大家介绍使用 SCAB空间卷积注意力模块 改进YOLO26网络模型，SCAB利用其大核深度卷积与空间卷积注意力机制扩大特征感受野，增强网络对长距离空间依赖和上下文信息的建模能力，使目标特征能够结合更大范围的场景信息进行判断；同时，SCAB通过注意力分支对Value特征进行选择性调制，可突出目标区域、边缘和关键纹理，抑制部分无效背景响应，并借助残差连接与ConvFFN进一步细化特征，因此有望提升YOLO26在复杂背景、遮挡、尺度变化以及小目标场景中的特征表达和定位能力。相较于传统全局自注意力，SCAB主要依靠大核深度卷积完成空间建模，结构更偏卷积化，具有较好的精度与计算开销平衡。
🔥欢迎订阅我的专栏、带你学习使用最新-最前沿-独家YOLO26创新改进！🔥
YOLO26专栏改进目录：全新YOLO26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、多种组合创新改进、全网独家创新等创新点改进
全新YOLO26专栏订阅链接：全新YOLO26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
1.首先在ultralytics/nn/newsAddmodules创建一个.py文件
2.在ultralytics/nn/newsAddmodules/__init__.py中引用
🚀 创新改进2🔥: yolo26_SCABC3k2.yaml
二、SCAB空间卷积注意力模块介绍
摘要：深度展开网络（DUNs）已取得显著成就，已成为光谱压缩成像（SCI）重建的主流范式。现有的DUNs均源自全HSI成像模型，其中每个阶段直接在高维HSI上操作，基于单个二维编码测量结果对整个数据立方体进行优化。然而，这一范式会导致计算冗余，并且在将二维残差映射回HSI三维空间时面临不适定性问题。本文通过将低秩（LR）分解与感知模型显式整合，提出了两种新型成像模型，分别对应光谱基和子空间图像。与恢复完整HSI相比，估计这些紧凑的低维分量可显著缓解不适定性。基于这些新型模型，我们开发了低秩深度展开网络（LRDUN），该网络在展开型近端梯度下降（PGD）框架内联合求解这两个子问题。此外，我们还引入了广义特征展开机制（GFUM），将数据保真项中的物理秩与先验模块中的特征维度解耦，从而增强了网络的表征能力与灵活性。在模拟及真实数据集上进行的广泛实验表明，所提出的 LRDUN 以显著降低的计算成本实现了最先进的（SOTA）重建质量。
转载自 CSDN-专业IT技术社区
原文链接：https://blog.csdn.net/qq_45972324/article/details/166948985
