YOLO26涨点改进 | 全网独家创新，注意力改进篇 | CVPR 2024 | 引入MFMSA多频多尺度注意力，联合建模频率与空间信息，适合小目标检测、医学图像分割、遥感目标检测、图像分类、实例分割

一、本文介绍

🔥本文给大家介绍利用MFMSA多频多尺度注意力模块改进 YOLO26网络模型，可在原有多尺度特征融合基础上进一步联合建模频率与空间信息，通过多频通道注意力（MFCA）抑制背景噪声通道、增强目标相关频率响应，再结合多尺度空间注意力（MSSA）强化关键区域与边界结构，从而提升特征表达的判别性与鲁棒性。该机制有助于提高小目标检测能力、降低复杂背景下的误检率，并增强跨场景与跨域泛化性能，同时结构轻量、易于插入现有 YOLO26 框架，在保持实时性的前提下提升整体检测精度。

🔥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、MFMSA多频多尺度注意力介绍

2.1 MFMSA多频多尺度注意力模块结构图

2.2  MFMSA模块的作用

2.3  MFMSA模块的原理

2.4   MFMSA模块的优势

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ultralytics\nn\tasks.py文件

五、创建涨点yaml配置文件

🚀 创新改进1: 

🚀 创新改进2: 

六、正常运行

二、MFMSA多频多尺度注意力介绍

摘要：深度神经网络的泛化能力在医学图像分割中具有关键作用。然而，基于深度学习的医学图像分析往往忽视了频率方差的重要性——这是构建模态无关且领域泛化的模型的关键要素。此外，多种模型未能充分考虑深度监督下多任务学习可能引发的信息丢失问题，这会削弱模型的表征能力。为解决这些挑战，我们提出了一种医学图像分割的模态无关领域泛化网络（MADGNet），其包含两个核心组件：多频多尺度注意力（MFMSA）模块和集成子解码模块（ESDM）。 MFMSA 模块通过整合多频多尺度特征，优化空间特征提取过程（特别是边界特征捕捉），从而为组织轮廓和解剖结构提供信息线索。此外，我们提出 ESDM 以缓解深度监督下多任务学习的信息丢失问题，特别是在从低分辨率进行大幅上采样时。我们在六种模态和十五个数据集上评估了MADGNet的分割性能。通过大量实验，我们证明MADGNet在多种模态下持续优于现有最先进模型，