【RT-DETR涨点改进】TGRS 2026 | 独家创新首发、注意力改进篇| 引入CSSCA频谱-空间交叉注意力，通过建立局部关键点与全局上下文之间的联系，含10种二次创新改进，目标检测任务高效涨点

一、本文介绍

🔥本文给大家介绍使用 CSSCA频谱-空间交叉注意力 改进RT-DETR网络模型，通过中心像素引导的光谱与空间交叉注意力机制，对特征进行更加精细的自适应加权，使模型在特征融合阶段能够同时强化关键通道信息与重要空间区域，从而提升特征表达的判别性。通过建立局部关键点与全局上下文之间的联系，模型可以更准确地聚焦目标区域，减少背景干扰，并增强对小目标和复杂场景的感知能力。其优势在于能够实现光谱与空间信息的协同优化，在提升检测精度和鲁棒性的同时，借助轻量化结构保持较低的计算开销，从而兼顾性能提升与实时性需求。

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

🔥RT-DETR创新改进目录：全新RT-DETR 有效涨点改进目录 | 包含各种卷积、主干改进、各种注意力机制、Neck特征融合改进、损失函数、AIFI创新改进、独家创新、小目标检测、特殊场景检测等最全大论文及小论文必备创新改进点

🔥全新RT-DETR创新改进专栏地址：最全RT-DETR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、CSSCA频谱-空间交叉注意力模块介绍

2.1 CSSCA频谱-空间交叉注意力网络结构图

2.2 CSSCA模块的作用：

2.3 CSSCA模块的原理

2.4 CSSCA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🔥: rtdetr-l-AIFI_CSSCA.yaml

🚀 创新改进2🔥: rtdetr-l-CSSCA.yaml

🚀 创新改进3🔥: rtdetr-l-HGBlock_CSSCA.yaml

🚀 创新改进4🔥: rtdetr-l-ResNetLayer_CSSCA.yaml

🚀 创新改进5🔥: rtdetr-r18-AIFI_CSSCA.yaml

🚀 创新改进6🔥: rtdetr-r18-CSSCA.yaml

🚀 创新改进7🔥: rtdetr-r18-BasicBlock_CSSCA.yaml

🚀 创新改进8🔥: rtdetr-r50-AIFI_CSSCA.yaml

🚀 创新改进9🔥: rtdetr-r50-CSSCA.yaml

🚀 创新改进10🔥: rtdetr-r50-BottleNeck_CSSCA.yaml

六、正常运行

二、CSSCA频谱-空间交叉注意力模块介绍

摘要：高光谱图像（HSI）分类是遥感领域的关键任务。近年来，深度学习（DL）方法——尤其是Mamba等状态空间模型（SSMs）——因其处理长序列时的线性计算复杂度而备受关注。然而，这些方法在处理HSI中丰富但冗余的光谱波段时仍面临挑战，常导致模型参数过多。此外，现有基于DL的方法往往忽视显式跨通道依赖关系，这种局限性阻碍了其有效整合冗余光谱波段相关信息的能力。同时，基于DL的模型对海量训练数据的过度依赖与HSI场景中标注样本的稀缺性存在矛盾，因此需要引入先验知识以缓解数据限制。为解决这些问题，我们提出SliMamba——一种用于HSI分类的轻量级卷积-Mamba架构（HSIC）。SliMamba包含两大核心组件：光谱选择卷积（SSC）和重叠中心化Mamba（OC-Mamba）。SSC通过交换光谱轴与空间轴维度来保留原始光谱信息，随后利用少量卷积核在感受野内学习光谱权重，从而实现跨通道特征表征。OC-Mamba则将中心像素的先验知识