YOLO26涨点改进| TGRS 2026 | 独家创新首发、注意力改进篇| 引入LaSEA潜在感知语义提取聚合模块，含多种二次创新改进，助力红外小目标检测、图像分割、变换检测、关键点检测高效涨点

一、本文介绍

🔥本文给大家介绍使用LaSEA潜在感知语义提取聚合模块 改进YOLO26网络模型，可以显著提升其在红外小目标检测中的性能。LaSEA通过跨尺度特征提取和随机池化策略，增强了深层目标语义表示，帮助YOLO26更好地处理复杂背景和低对比度图像，尤其是在小目标的检测上。通过有效抑制背景噪声并提供目标语义指导，LaSEA模块提高了YOLO26的精度和鲁棒性，同时减少了计算复杂度，增强了目标检测的准确性和稳定性。

🔥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、LaSEA潜在感知语义提取聚合模块介绍

2.1 LaSEA潜在感知语义提取聚合模块结构图

2.2 LaSEA模块的作用：

2.3 LaSEA模块的原理

2.4 LaSEA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_LaSEA.yaml

🚀 创新改进2🔥: yolo26_C3k2_LaSEA.yaml

🚀 创新改进3🔥: yolo26_C2PSA_LaSEA.yaml

六、正常运行

二、LaSEA潜在感知语义提取聚合模块介绍

摘要：红外小目标检测（IRSTD）在遥感与监视等应用中至关重要，其核心目标是在复杂背景中识别小型低对比度目标。然而现有方法常面临局部-全局特征联合建模不足（导致目标-背景判别能力下降）或特征冗余与语义稀释问题（影响目标表征质量）。为解决这些问题，我们提出红外小目标方向上下文与跨尺度感知检测器（DCCS -Det），该创新检测器整合了双流显著性增强（DSE）模块与潜在感知语义提取聚合（LaSEA）模块。 DSE 模块通过融合局部感知与方向感知上下文聚合，有效捕捉长程空间依赖关系与局部细节特征。基于此，LaSEA模块采用跨尺度特征提取与随机池化采样策略，通过缓解特征退化来增强判别特征并抑制噪声干扰。大量实验表明， DCCS -Det在多个数据集上均展现出与最先进方法相当的检测精度与性能表现。消融实验进一