YOLO26涨点改进 | 全网独家首发、特征融合改进篇 | ICME 2024 | 引入DASI维度感知选择性集成模块，动态平衡高层语义信息与低层细节信息，助力红外小目标检测、遥感目标检测，高效涨点
一、本文介绍
🔥本文给大家介绍使用DASI维度感知选择性集成模块改进 YOLO26 的颈部特征融合层，核心作用是通过通道级细粒度的自适应加权机制，精准解决 YOLO26 在检测红外小目标或弱特征目标时，高低维特征融合粗糙、细节易被背景噪声淹没的问题；其核心优势在于，在保持 YOLO26 轻量化与高推理速度的前提下，无需引入复杂结构即可动态平衡低层细节与高层语义信息，显著提升小目标的检测精度与定位鲁棒性，同时凭借良好的兼容性，实现即插即用的性能增益。
🔥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、 DASI维度感知选择性集成模块介绍
2.1 DASI维度感知选择性集成模块结构图
2.2 DASI模块的作用：
2.3 DASI模块的原理：
2.4 DASI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✨: yolo26_DASI.yaml
六、正常运行
二、 DASI维度感知选择性集成模块介绍
摘要：红外小目标检测是一项重要的计算机视觉任务，涉及在通常仅包含少量像素的红外图像中识别和定位微小物体。然而，由于物体尺寸微小且红外图像背景通常较为复杂，该任务面临诸多挑战。本文提出了一种深度学习方法HCF-Net，通过多个实用模块显著提升了红外小目标检测性能。具体而言，该方法包含并行化补丁感知注意力（PPA）模块、维度感知选择性集成（DASI）模块以及多扩张通道精炼（MDCR）模块。PPA模块采用多分支特征提取策略，可在不同尺度和层级捕捉特征信息；DASI模块实现自适应通道选择与融合； MDCR 模块通过多层深度可分离卷积层捕捉不同感受野范围的空间特征。在 SIRST 红外单帧图像数据集上的大量实验结果表明，所提出的HCF-Net表现优异，超越了其他传统及深度学习模型。