【RT-DETR涨点改进】ICME 2026 | 独家创新首发、注意力改进篇| 引入SFD显著特征判别模块，通过通道关系建模和图结构推理实现全局语义增强，含7种创新改进点，助力遥感小目标检测任务涨点

一、本文介绍

🔥本文给大家介绍使用 SFD显著特征判别模块 改进RT-DETR网络模型，通过全局语义判别机制增强特征对目标与背景的区分能力，使模型在复杂场景中能够更准确地识别真正具有判别价值的区域，并抑制背景噪声和冗余响应。由于SFD能够建模通道之间的全局关系并强化关键语义特征，因此它可以帮助RT-DETR在特征提取和融合阶段获得更具判别性的表示，尤其适用于小目标密集、背景复杂、对比度低或存在伪目标干扰的场景。其优势在于能够提升全局上下文建模能力，减少误检和漏检，提高检测精度与鲁棒性，同时模块结构相对轻量、易于插入主干网络、颈部或检测头中，因此能够在不显著增加计算负担的前提下增强RT-DETR的整体检测性能。

🔥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、SFD显著特征判别模块介绍

2.1 SFD显著特征判别模块结构图

2.2 SFD模块的作用：

2.3 SFD模块的原理

2.4 SFD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-SFD.yaml

🚀 创新改进2🔥: rtdetr-l-HGBlock_SFD.yaml

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

🚀 创新改进4🔥: rtdetr-r18-BasicBlock_SFD.yaml

🚀 创新改进5🔥: rtdetr-r18-SFD.yaml

🚀 创新改进6🔥: rtdetr-r50-BottleNeck_SFD.yaml

🚀 创新改进7🔥: rtdetr-r50-SFD.yaml

六、正常运行

二、SFD显著特征判别模块介绍

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。