一、本文介紹??本文給大家介紹使用 SCAB空間卷積注意力模塊 改進YOLO26網(wǎng)絡(luò)模型，SCAB利用其大核深度卷積與空間卷積注意力機制擴大特征感受野，增強網(wǎng)絡(luò)對長距離空間依賴和上下文信息的建模能力，使目標特征能夠結(jié)合更大范圍的場景信息進行判斷；同時，SCAB通過注意力分支對Value特征進行選擇性調(diào)制，可突出目標區(qū)域、邊緣和關(guān)鍵紋理，抑制部分無效背景響應(yīng)，并借助殘差連接與ConvFFN進一步細化特征，因此有望提升YOLO26在復(fù)雜背景、遮擋、尺度變化以及小目標場景中的特征表達和定位能力。相較于傳統(tǒng)全局自注意力，SCAB主要依靠大核深度卷積完成空間建模，結(jié)構(gòu)更偏卷積化，具有較好的精度與計算開銷平衡。??歡迎訂閱我的專欄、帶你學(xué)習(xí)使用最新-最前沿-獨家YOLO26創(chuàng)新改進！??YOLO26專欄改進目錄：全新YOLO26改進專欄包含卷積、主干網(wǎng)絡(luò)、各種注意力機制、檢測頭、損失函數(shù)、Neck改進、小目標檢測、二次創(chuàng)新模塊、多種組合創(chuàng)新改進、全網(wǎng)獨家創(chuàng)新等創(chuàng)新點改進全新YOLO26專欄訂閱鏈接：全新YOLO26創(chuàng)新改進高效漲點+永久更新中（至少500+改進）+高效跑實驗發(fā)論文本文目錄一、本文介紹二、SCAB空間卷積注意力模塊介紹2.1 SCAB空間卷積注意力模塊結(jié)構(gòu)圖2.2 SCAB空間卷積注意力模塊的作用：2.3 SCAB空間卷積注意力模塊的原理2.4 SCAB空間卷積注意力模塊的優(yōu)勢三、完整核心代碼四、手把手教你配置模塊和修改tasks.py文件1.首先在ultralytics/nn/newsAddmodules創(chuàng)建一個.py文件2.在ultralytics/nn/newsAddmodules/__init__.py中引用3.修改tasks.py文件五、創(chuàng)建漲點yaml配置文件??創(chuàng)新改進1??: yolo26_SCAB.yaml??創(chuàng)新改進2??: yolo26_SCABC3k2.yaml六、正常運行二、SCAB空間卷積注意力模塊介紹摘要：深度展開網(wǎng)絡(luò)（DUNs）已取得顯著成就，已成為光譜壓縮成像（SCI）重建的主流范式?，F(xiàn)有的DUNs均源自全HSI成像模型，其中每個階段直接在高維HSI上操作，基于單個二維編碼測量結(jié)果對整個數(shù)據(jù)立方體進行優(yōu)化。然而，這一范式會導(dǎo)致計算冗余，并且在將二維殘差映射回HSI三維空間時面臨不適定性問題。本文通過將低秩（LR）分解與感知模型顯式整合，提出了兩種新型成像模型，分別對應(yīng)光譜基和子空間圖像。與恢復(fù)完整HSI相比，估計這些緊湊的低維分量可顯著緩解不適定性?；谶@些新型模型，我們開發(fā)了低秩深度展開網(wǎng)絡(luò)（LRDUN），該網(wǎng)絡(luò)在展開型近端梯度下降（PGD）框架內(nèi)聯(lián)合求解這兩個子問題。此外，我們還引入了廣義特征展開機制（GFUM），將數(shù)據(jù)保真項中的物理秩與先驗?zāi)K中的特征維度解耦，從而增強了網(wǎng)絡(luò)的表征能力與靈活性。在模擬及真實數(shù)據(jù)集上進行的廣泛實驗表明，所提出的 LRDUN 以顯著降低的計算成本實現(xiàn)了最先進的（SOTA）重建質(zhì)量。