【RT-DETR涨点改进】ICME 2026 |独家创新首发、注意力改进篇| 引入SFC显著特征校准模块，通过双分支门控与全局统计信息引导实现特征精细校准，含7种创新改进，助力遥感目标检测任务有效涨点

一、本文介绍

🔥本文给大家介绍使用 SFC显著特征校准模块 改进RT-DETR网络模型，对检测特征进行更细致的自适应校准，使模型在特征融合和预测阶段能够更加准确地突出目标区域、边界轮廓以及局部细节信息。由于SFC能够结合全局统计信息与局部响应，通过双分支门控方式动态调节不同特征的重要性，因此它可以帮助RT-DETR在复杂背景中更好地区分目标与背景，尤其提升对小目标、细长目标、低对比度目标和边界模糊目标的感知能力。其优势在于能够增强特征表达的精确性和稳定性，改善目标定位与框回归质量，同时提高模型对复杂场景变化的自适应能力。

🔥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、SFC显著特征校准模块介绍

2.1 SFC显著特征校准模块结构图

2.2 SFC模块的作用：

2.3 SFC模块的原理

2.4 SFC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-SFC.yaml

🚀 创新改进2🔥: rtdetr-l-HGBlock_SFC.yaml

🚀 创新改进3🔥: rtdetr-l-ResNetLayer_SFC.yaml

🚀 创新改进4🔥: rtdetr-r18-SFC.yaml

🚀 创新改进5🔥: rtdetr-r18-BasicBlock_SFC.yaml

🚀 创新改进6🔥: rtdetr-r50-SFC.yaml

🚀 创新改进7🔥: rtdetr-r50-BottleNeck_SFC.yaml

六、正常运行

二、SFC显著特征校准模块介绍

摘要：光学遥感图像显著目标检测（ORSI -SOD）仍面临诸多挑战，主要源于复杂背景、低对比度、不规则物体形状及尺度差异显著等问题。现有判别方法直接回归显著性图，而近期基于扩散的生成方法则存在随机采样和高计算成本的缺陷。本文提出ORSIFlow框架——一种基于显著性引导的校正流方法，将 ORSI -SOD问题重构为确定性潜在流生成任务。该框架通过冻结变分自编码器构建紧凑潜在空间进行显著性掩码生成，仅需少量步骤即可实现高效推理。为增强显著性感知能力，我们设计了全局语义判别用显著特征判别器和边界精炼用显著特征校准器。多项公开基准实验表明，ORSIFlow在显著提升效率的同时实现了业界领先性能。