YOLO26涨点改进 | 全网独家首发、特征融合改进篇 | AAAI 2025 | 引入CDFA对比驱动特征聚合模块，实现多尺度特征融合，增强目标相关特征、突出关键区域，提高小目标检测和分割高效涨点

一、本文介绍

🔥本文给大家介绍使用CDFA对比驱动特征聚合模块改进YOLO26网络模型，做目标检测+分割任务，本质上是在 Neck/Head 的多层特征融合阶段引入“前景/背景对比驱动的局部注意力聚合”：它利用由 SID 解耦得到的前景特征 f_fg与背景特征 f_bg生成局部窗口（论文默认 K=3）内的两套注意力权重，并对每个位置邻域的 value 特征进行两次加权聚合，从而在融合多尺度特征时显式强化“目标相关区域”并抑制背景干扰，使模型更容易区分目标与复杂背景、减轻相似/共现干扰带来的误检与错分；对应到 YOLO26 的分割分支，CDFA 会让 mask 特征更聚焦边界与目标主体、减少背景噪声，从而提升掩码质量与边界清晰度。其优势在于：相比普通 concat/conv 融合，CDFA 用前景/背景的对比信息“指导”多层特征融合与关键特征增强，提升目标-背景可分性与鲁棒性；同时采用局部窗口聚合而非全局注意力，计算量可控，适合在 YOLO26 这类实时框架中即插即用地带来检测与分割精度收益。

🔥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、CDFA对比驱动特征聚合模块介绍

CDFA模块网络结构图： 

CDAF模块的创新点主要包括：

1.利用对比特征进行特征融合：

2.局部特征聚合：

3.注意力机制的应用：

4.多级特征融合与增强：

5.提升模型性能：

三、核心代码

四、手把手教你添加CDFA对比度驱动特征聚合模块

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task.py文件 

五、创建涨点yaml配置文件

🚀 创新改进✨: yolo26_CDFA.yaml

六、正常运行

二、CDFA对比驱动特征聚合模块介绍

 摘要：医学图像分割在临床决策、治疗规划和疾病追踪中发挥着重要作用。然而，它仍面临两大挑战。一方面，医学图像中前景和背景之间常常存在“软边界”，且光照条件差、对比度低进一步降低了图像中前景和背景的区分度。另一方面，医学图像中普遍存在共生现象，学习这些特征会对模型的判断产生误导。为解决这些挑战，我们提出了一个名为对比驱动医学图像分割（ConDSeg）的通用框架。首先，我们开发了一种名为一致性增强（Consistency Reinforcement）的对比训练策略，旨在提高编码器在各种光照和对比度场景下的鲁棒性，使模型即使在恶劣环境中也能提取高质量特征。其次，我们引入了一个语义信息解耦（Semantic Information Decoupling）模块，能够将编码器中的特征解耦为前景、背景和不确定性区域，并在训练过程中逐渐降低不确定