YOLO26涨点改进 | 全网独家创新、注意力改进篇 | SCI一区 2025 | YOLO26引入MSCA多尺度稀疏交叉聚合，GCBAM分组注意力，助力遥感目标检测、图像分类任务有效涨点

 一、本文介绍

本文给大家介绍MSCA多尺度稀疏交叉融合，GCBAM分组注意力模块优化YOLO26模型！两种顶刊创新模块的结合，使得模型能够有效地学习和融合不同尺度的特征，同时减少无关信息的干扰，从而得到更加准确和具辨别力的特征表示，增强目标检测、图像分类、实例分割有效涨点 。具体怎么使用请看全文！

🔥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、MSCA和GCBAM模块介绍

2.1 MSCA模块结构图

2.2 MSCA模块优势：

2.3 GCBAM模块结构图

2.4 GCBAM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 : 

🚀 创新改进2 :

🚀 创新改进3 : 

六、正常运行

二、MSCA和GCBAM模块介绍

摘要：遥感 (RS) 场景分类 (RSSC) 是遥感领域一个重要的研究课题。多层特征融合是解决 RSSC 的重要途径，近年来已经提出了许多方法。尽管这些方法取得了一些成功，但仍有改进的空间，特别是在区分不同多层特征的贡献以及充分有效地融合它们方面。为了解决上述问题，并充分挖掘多层特征在 RSSC 任务中的潜力，我们提出了一种名为多尺度稀疏交叉注意力网络 (MSCN) 的新模型。它不仅关注特征学习的有效性，还强调特征融合的合理性。具体来说，MSCN 首先使用预训练的 ResNet50 提取多层特征。同时，根据它们所涉及的线索，这些特征被分为高层和低层特征。然后，开发了一个多尺度稀疏交叉注意力 (MSC) 模块，将高层特征与各种低层特征进行交叉融合，从而有效地从多层特征中挖掘有用的信息。在融合过程中，MSC 不仅探索了 RS 场景中的多尺度信息，还通过采用稀疏操作来减轻无关信息带来的负面影响。第三，提出了一种分组卷积块注意力模块 (CBAM) 增强器 (GCE) 来增强分类特征的表示。GCE 使用分组 CBAM 检测分类特征中的局部显著信息，并通过重新调整 CBAM