YOLOv13涨点改进| TGRS 2026 |全网独家创新、注意力改进篇| 引入PMM 金字塔掩码Mamba模块，逐步整合深层语义信息与浅层细节信息，含多种改进，助力小目标检测、图像分割高效涨点

一、本文介绍

🔥本文给大家介绍利用PMM 金字塔掩码Mamba模块 改进YOLOv13网络模型，使网络在特征恢复和融合阶段能够逐步整合深层语义信息与浅层空间细节信息，从而提升目标特征表达能力。该模块通过逐级上采样与渐进式特征细化，能够增强模型对小目标和复杂背景目标的识别能力，同时改善目标边界定位精度，减少误检与漏检现象。此外，PMM在保持较低计算复杂度的同时实现高效的特征重建与融合，使YOLOv13在复杂场景下获得更好的检测精度与鲁棒性。

🔥欢迎订阅我的专栏、带你学习使用最新-最前沿-独家YOLOv13创新改进！🔥

YOLOv13专栏改进目录：YOLOv13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、HyperACE二次创新、独家创新等几百种创新点改进。

全新YOLOv13创新改进专栏链接：全新YOLOv13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、PMM 金字塔掩码Mamba模块介绍

2.1 PMM 金字塔掩码Mamba模块结构图

2.2 PMM 金字塔掩码Mamba模块的作用

2.3 PMM 金字塔掩码Mamba模块的原理

2.4 PMM 金字塔掩码Mamba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​编辑

3.修改tasks.py文件

五、创建涨点yaml配置文件

🚀 创新改进1🔥: yolov13n_PyramidMaskMamba.yaml

🚀 创新改进2🔥: yolov13n_PyramidMaskMamba-2.yaml

🚀 创新改进3🔥: yolov13n_A2C2f_PyramidMaskMamba.yaml

🚀 创新改进4🔥: yolov13n_DSC3k2_PyramidMaskMamba.yaml

六、正常运行

二、PMM 金字塔掩码Mamba模块介绍

摘要：遥感变化检测技术在城市规划、灾害评估等应用中具有关键作用，它能精准识别双时序影像中地物的变化特征。随着深度学习的快速发展，混合卷积神经网络（CNN）与Transformer的融合方法显著推动了该领域进步。然而现有融合网络普遍存在鲁棒性不足的问题，常将伪变化误判为真实变化。即便采用联合建模局部与全局特征的硬性通道分割策略，这一问题仍未得到解决。为应对这些挑战，我们提出了一种新型的局部-全局编码器与掩码Mamba解码器网络（LGMM -Net）。该网络通过多核卷积（multiconvs）、窗口注意力机制及状态空间序列建模，实现了局部细节与全局语义的鲁棒融合。首先，我们在动态局部-全局并行编码器（DLGPE）中引入动态通道软分割策略，该编码器整合多核卷积、固定窗口注意力和移位窗口注意力，同时捕捉局部细节与全局语义。其次，我们设计了金字塔掩码Mamba（PMM）模块，其创新扫描机制称为掩码引导定向选择扫描（MGD-SS2D）。该模块通过定向卷积定义扫描路径，结合特征旋转实现四向建模，从而增强边界表征能力。在四个公开数据集上进行的