YOLO26涨点改进 | 独家首发、注意力改进篇 | Arxiv 2025 | YOLO26引入PGSSA引导光谱自注意力，结合全局和局部光谱自注意力机制，提升局部细节识别，有效涨点起飞
一、本文介绍
🔥本文给大家介绍使用PGSSA引导光谱自注意力模块改进YOLO26网络模型，可以显著提高目标检测性能，尤其在高光谱图像或退化图像中。PGSSA通过增强光谱信息恢复、提升局部细节识别、改善对不同退化类型的适应性、增强多尺度特征融合能力，并提高模型鲁棒性，从而有效提升YOLO26在复杂场景中的检测准确性和稳定性。这使得模型在处理多种退化或复杂环境下的目标检测任务时表现更佳。
🔥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
一、本文介绍
二、PGSSA 模块介绍
2.1 PGSSA 模块结构图
2.2 PGSSA模块的作用：
2.3 PGSSA模块的优势：
2.4 PGSSA模块的原理：
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 : yolo26_PGSSA.yaml
🚀 创新改进2 : yolo26_C3k2_PGSSA.yaml
六、正常运行
二、PGSSA 模块介绍
摘要：高光谱图像（HSI）在成像过程中常会遭受多种未知的退化影响，导致严重的光谱与空间失真。现有HSI修复方法通常依赖特定退化假设，这限制了其在复杂场景中的应用效果。本文提出创新的MP-HSIR框架，通过整合光谱、文本和视觉提示，实现跨类型、跨强度的通用HSI修复。具体而言，我们开发了提示引导型空间-光谱变换器，融合空间自注意力机制与提示引导的双分支光谱自注意力。由于不同退化类型对光谱特征的影响各异，我们在局部光谱分支引入光谱提示，为光谱重建提供通用的低秩光谱模式作为先验知识。此外，文本-视觉协同提示将高层次语义表征与细粒度视觉特征相结合，编码退化信息以指导修复过程。通过涵盖一体化场景、泛化测试及真实案例的9项HSI修复任务的广泛实验，MP-HSIR不仅持续优于现有一体化方法，更在多项任务中超越了最先进的任务特定方法。