YOLOv12涨点改进| TGRS 2026 | 独家创新首发、特征融合改进篇| 引入STSAM协同时空注意力融合模块，发论文热点创新，注意力能够互相引导强化边界和结构细节，增强目标检测、图像分割涨点

一、本文介绍

🔥本文给大家介绍使用 STSAM协同时空注意力融合模块 改进YOLOv12网络模型，STSAM 是 空间域特征增强模块，通过全局跨时相注意力和局部坐标注意力的并行处理，能有效聚焦真实变化目标，强化边界和结构细节，同时兼顾训练稳定性，为后续浅层特征融合提供高质量特征输入，从而提高高分辨率遥感变化检测的精度和鲁棒性。

🔥欢迎订阅我的专栏、带你学习使用最新-最前沿-独家YOLOv12创新改进！🔥

YOLOv12专栏改进目录：YOLOv12改进包含各种卷积、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、A2C2f二次创新、独家创新等几百种创新点改进。

全新YOLOv12改进专栏订阅链接：全新YOLOv12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、STSAM协同时空注意力融合模块介绍

2.1 STSAM协同时空注意力融合模块结构图

2.2 STSAM模块的作用：

2.3 STSAM模块的原理

2.4 STSAM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🔥: yolov12n_STSAM.yaml

🚀 创新改进2🔥: yolov12n_STSAM-2.yaml

🚀 创新改进3🔥: yolov12n_STSAM-3.yaml

六、正常运行

二、STSAM协同时空注意力融合模块介绍

摘要：高分辨率遥感图像中的变化检测（CD）是地球观测应用的核心技术，但其效能常受两大关键挑战制约。首先，模型常将时间变化（如光照条件、季节更替）导致的辐射度差异误判为真实变化，导致误报现象普遍存在。其次，深度抽象特征与浅层细节特征之间存在显著语义鸿沟，阻碍了二者有效融合，最终导致边界划分不清晰。为深入解决这些问题，我们提出频率-空间协同门控网络（FSG -Net）这一创新范式，旨在系统性地区分语义变化与干扰性波动。具体而言， FSG -Net首先在频域中运行：差异感知小波交互模块（DAWIM）通过智能处理不同频分量来自适应抑制伪变化；随后，协同时空注意力模块（STSAM）在空间域中增强优化特征，显著提升真实变化区域的显著性；最后，轻量级门控融合单元（LGFU）利用高层次语义信息选择性过滤并整合浅层特征。在CDD、 GZ -CD和 LEVIR -CD基准测试中的全面实验验证了 FSG -Net的优越性，其F1分数分别