YOLO26创新改进 | BMVC 2024 | 独家特征融合Neck改进篇 | MASAG多尺度自适应空间注意力门控融合，选择性地突出空间相关特征，助力小目标检测、医学图像分割任务有效涨点

一、本文介绍

🔥本文给大家介绍使用 MASAG多尺度自适应空间注意力门控融合 改进YOLO26网络模型，通过在特征融合阶段动态整合浅层细节特征与深层语义特征，使模型根据目标区域自适应调整感受野，重点强化空间相关特征并抑制背景干扰。其核心通过多尺度特征融合、空间选择、交叉调制和特征重校准，使 YOLO26 同时保留目标边缘、纹理等局部细节，并获得更充分的全局上下文信息。因此，相比普通特征拼接或固定卷积结构，MASAG 更有利于提升小目标、形状不规则目标和边界模糊目标的检测能力，降低复杂背景下的误检与漏检，并增强模型的定位精度和鲁棒性。

🔥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、MASAG多尺度自适应空间注意力门控融合模块介绍

2.1 MASAG多尺度自适应空间注意力门控融合模块结构图

2.2 MASAG模块的作用：

2.3 MASAG模块的原理

2.4 MASAG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_MASAG.yaml

🚀 创新改进2🔥: yolo26_MASAG-2.yaml

🚀 创新改进3🔥: yolo26_MASAG-3.yaml

六、正常运行

二、MASAG多尺度自适应空间注意力门控融合模块介绍

摘要：医学图像分割的核心任务是识别并分离医学图像中的物体实例，以清晰呈现各类组织与结构。由于这些特征在尺寸、形状和密度上存在显著差异，该任务极具挑战性。传统上，卷积神经网络（CNN）被广泛用于此任务，但其在捕捉长程依赖关系方面存在局限。而配备自注意力机制的Transformer模型旨在解决这一问题。然而，在医学图像分割中，融合局部与全局特征能有效整合不同尺度的特征图，既能捕捉精细细节，又能识别宏观语义特征，从而有效应对结构变化。本文提出MSA2Net——一种采用创新跳跃连接设计的深度分割框架。该机制通过动态加权并整合粗粒度编码器特征与细粒度解码器特征图，显著提升了特征融合效果。我们特别设计了多尺度自适应空间注意力门（MASAG），可动态调整感受野范围（同时整合局部与全局上下文信息），确保重点突出空间相关特征，同时最大限度减少背景干扰。基于皮肤科与放射学数据集的广泛评估表明，我们的MSA2Net性能优于当前