YOLO26涨点改进| 全网独家创新、特征融合改进篇 | TGRS 2025顶刊| 引入MROD -YOLO的 MSIA多尺度迭代聚合模块，强化语义特征之间交互，提升复杂环境中小目标检测，多模态融合

一、本文介绍

🔥本文给大家介绍使用 MSIA多尺度迭代聚合模块改进 YOLO26 网络模型，可在特征融合阶段通过多尺度通道注意力引导的迭代聚合机制，充分强化高层语义特征与低层细节特征之间的交互，避免小目标信息在多模态、多尺度融合过程中被高层特征淹没。MSIA 能自适应调节不同尺度特征的贡献比例，减少冗余信息干扰，持续提升融合特征质量，从而在复杂背景下显著降低漏检与误检。相比传统一次性融合方式，该模块结构轻量、对 YOLO26 框架在保持实时性的同时有效提升各种目标检测任务效果，尤其是小目标检测的精度与鲁棒性。

🔥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、MSIA多尺度迭代聚合模块介绍

2.1 MSIA多尺度迭代聚合模块结构图

2.2 MSIA多尺度迭代聚合模块的作用

2.3 MSIA多尺度迭代聚合模块的原理

2.4 MSIA多尺度迭代聚合模块的优势

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tasks.py文件

五、创建涨点yaml配置文件

🚀 创新改进1🔥: yolo26-MSIA.yaml

🚀 创新改进2🔥: yolo26-MSIA-2.yaml

🚀 创新改进3🔥: yolo26-MSIA-3.yaml

六、正常运行

二、MSIA多尺度迭代聚合模块介绍

摘要：在资源有限的航空平台上，如何利用多模态遥感图像实现精准高效的小目标检测是一项极具挑战性的任务。现有解决方案大多依赖复杂网络提取目标特征，这往往会产生巨大的计算开销。本文提出 MROD -YOLO一种新型多模态目标检测框架，旨在提升遥感影像分析的准确性和效率。首先，我们设计了多模态联合表征网络（MJRNet），该网络采用全局上下文注意力模块（GCB）以最大化融合过程中的特征保留。MJRNet整合了多模态图像的互补特征，有效解决了复杂场景下单一模态方法的局限性。此外，我们在骨干网络的空间特征表征中引入了感受野扩展机制（RFEM）。最后，开发了多尺度迭代聚合（MSIA）模块，用于优化特征交互并提升复杂环境中小目标的检测效果。通过用特征金字塔网络（FPN）替代路径聚合网络（PANet），模型能有效保留纹理细节特征。实验结果表明， M