YOLO系列算法改进 | C3k2改进篇 | 融合SACF光谱引导自适应跨层融合 | 光谱聚合与空间细节协同增强，跨层融合信息零损失，适用于多光谱遥感检测与边缘部署场景 | AAAI 2026

0. 前言

本文介绍SACF光谱引导自适应跨层融合模块，并将其集成到ultralytics最新发布的YOLO26目标检测算法中，构建C3k2_SACF创新模块。SACF是一种专为多光谱图像设计的自适应跨层特征融合机制，通过光谱特征聚合器（SFA）与空间细节增强器（SDE）的双路协同，实现对目标内光谱相关特征的自适应聚合与高频纹理细节的精准保留。将SACF嵌入YOLOv26的C3k2模块中，能够显著增强模型对光谱信息的利用效率与空间纹理的感知精度，使检测网络在面对多光谱遥感图像中的小目标、低对比度目标与复杂背景干扰时，既能通过光谱聚合强化目标内部特征一致性，又能借助细节增强保留目标边缘与纹理完整性，尤其适用于智慧城市遥感监测、电网巡检、农业植被分类、水域环境监测等需要融合多光谱信息的场景，在保持边缘端实时推理效率的同时，让模型真正具备“看得清光谱、辨得明细节”的感知能力。

专栏链接：YOLO系列算法改进专栏链接

专栏文章：YOLO26改进系列 | 卷积篇、轻量化、注意力、损失函数、Backbone、SPPF、C2PSA、Neck、检测头全方面保姆级优化合集 | 同样适配YOLOv11改进！！！

目录

0. 前言

1. SACF注意力简介

2. SACF注意力原理与创新点

🧠 SACF注意力基本原理

🎯 SACF注意力创新点

3. 具体改进步骤

🍀🍀步骤1：创建C3k2_SACF.py文件

🍀🍀步骤2：tasks.py文件修改

🍀🍀步骤3：创建YAML配置文件

🍀🍀步骤4：新建train.py文件训练模型

🍀🍀步骤5：模型结构打印结果

1. SACF注意力简介

多光谱图像（MSIs）通过捕获多个波段的光谱信息为目标检测提供了补充性的判别线索，然而现有方法在利用光谱-空间信息时面临三大挑战：一是现有的多光谱目标检测方法通过PCA降维或波段选择等方式解耦光谱与空间信息，采用双流网络独立处理，带来高昂的计算成本和光谱信息损失；二是现有航空目标检测方法主要利用空间特征，光谱线索未被充分利用；三是复杂场景中广泛的背景干扰会稀释目标特征，削弱模型注意力并影响目标光谱-空间特征学习，导致检测器性能下降。为解决上述问题，本文提出SACF模块，通过自适应聚合光谱相关特征来增强目标内相关性，在保留空间纹理细节的同时抵抗噪声干扰，最小化跨层融合过程中的信息损失。

原始论文：https://arxiv.org/pdf/2512.09489

原始代码：