YOLO26涨点改进 | 独家创新，卷积改进篇 | TGRS 2025 | 引入RFEM感受野增强模块，增强特征的全局结构和上下文表达能力，含多种创新改进，助力恶劣天气条件目标检测任务有效涨点

一、本文介绍

🔥本文给大家介绍利用  RFEM 感受野增强模块 改进 YOLO26网络模型，可通过扩展感受野和多尺度上下文建模增强网络对目标整体结构的感知能力，使模型在复杂背景或退化场景下更稳定地捕获目标轮廓信息。RFEM 在不显著增加计算开销的前提下抑制局部噪声干扰，提升对弱对比度和大尺度目标的检测鲁棒性，作为轻量、可即插即用模块易于集成到 YOLO26主干网络中，从而提高整体检测稳定性和泛化能力。

🔥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、RFEM感受野增强模块介绍

2.1 RFEM感受野增强模块 结构图

2.2  RFEM感受野增强模块的作用

2.3  RFEM感受野增强模块的原理

2.4  RFEM感受野增强模块的优势