YOLO26涨点改进| TMM 2026顶刊 |独家创新首发、Conv改进篇| 引入LFEM局部特征增强模块，通过多分支卷积建模、通道重组与残差增强局部特征，助力小目标检测，多模态目标检测有效涨点

一、本文介绍

🔥本文给大家介绍使用 LFEM局部特征增强模块 改进YOLO26网络模型，通过多分支卷积结构对特征进行细粒度的局部增强，使模型在特征提取与融合阶段能够更充分地捕获目标的边缘、纹理及多尺度细节信息，从而为后续检测提供更加丰富且判别性更强的特征表示。借助不同卷积形式的协同建模，YOLO26可以更好地适应尺度变化和形状不规则的目标，同时通过通道重组机制增强特征之间的交互与融合效果。其优势体现在能够显著提升小目标和复杂场景下的检测能力，增强模型对细节和局部结构的感知能力，同时由于LFEM结构相对轻量、模块化程度高，在提升检测精度和鲁棒性的同时不会带来过大的计算开销，保持了YOLO26良好的实时性能与可扩展性。

🔥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、LFEM局部特征增强模块介绍

2.1 LFEM局部特征增强模块结构图

2.2 LFEM模块的作用：

2.3 LFEM模块的原理

2.4 LFEM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_LFEM2.yaml

🚀 创新改进2🔥: yolo26_LFEMC3k2.yaml

六、正常运行

二、LFEM局部特征增强模块介绍

摘要：可见光-红外目标检测技术因其在弱光、雾天及雨天环境中的卓越性能而备受关注。然而在复杂场景中，不同传感器采集的可见光与红外模态数据存在信息不对称问题，可能导致跨模态融合效果欠佳，进而影响检测性能。现有方法多采用空间域变换器来捕获互补特征，却忽视了频域变换器在挖掘互补信息方面的优势。为解决这些问题，我们提出了一种名为FreDFT的频域融合变换器用于可见光-红外目标检测。该方法创新性地采用多模态频域注意力机制（MFDA）实现模态间互补信息挖掘，并通过混合尺度频域特征融合策略设计频域前馈层（FDFFL），以增强多模态特征表现。为消除模态间信息失衡，构建了跨模态全局建模模块（CGMM），实现像素级空间与通道维度的跨模态特征交互。此外，开发了局部特征增强模块（LFEM），通过多卷积层结构与通道洗牌技术强化多模态局部特征表征，从而提升特征融合效果。大