YOLO26涨点改进| TGRS 2026 顶刊| 注意力改进篇| 引入MSEA多尺度边缘感知注意力，助力红外小目标检测、遥感目标检测、工业缺陷检测、图像去雨雾任务高效涨点

一、本文介绍

🔥本文给大家介绍使用MSEA多尺度边缘感知注意力改进YOLO26网络模型，通过增强网络对目标边缘和轮廓信息的感知能力，通过多尺度上下文建模与边缘感知注意力机制，使模型在特征提取阶段同时关注目标内部语义信息和边界细节信息。MSEA利用多尺度空洞卷积获取不同感受野下的上下文特征，并通过显式边缘监督生成边缘响应图，将边缘信息嵌入空间注意力权重中，从而强化目标边界区域的特征表达。MSEA有效提升小目标、弱目标、遮挡目标以及复杂背景下目标轮廓的可辨识性，减少背景高亮区域、纹理噪声和边缘伪特征带来的误检与漏检。

🔥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、MSEA多尺度边缘感知注意力介绍

2.1 MSEA多尺度边缘感知注意力结构图

2.2 MSEA 模块的作用：

2.3 MSEA 模块的原理

2.4 MSEA 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_MSEA.yaml

🚀 创新改进2🔥: yolo26_MSEA-2.yaml

🚀 创新改进3🔥: yolo26_C3k2_MSEA.yaml

六、正常运行

二、MSEA多尺度边缘感知注意力介绍

摘要：红外小目标检测（IRSTD）在自动驾驶、环境监测及工业检测等应用领域发挥着关键作用。然而，目标尺寸微小、边缘模糊以及背景复杂等因素，常导致现有方法在特征协同与边缘信息利用方面存在显著局限。为解决这些问题，本文提出了一种基于边缘感知注意力机制的边缘语义协同网络（ESSNet）用于 IRSTD 任务。ESSNet通过显式强化边缘信息并优化多层级特征交互，显著提升了检测性能：其边缘语义协同模块（ESSM）结合底层边缘细节与高层语义信息实现长距离层面调控，增强边缘特征与语义信息间的协同效应；同时集成的多尺度边缘感知注意力机制（MSEA）通过显式边缘监督将边缘特征嵌入注意力网络，有效提升边界检测精度；此外引入的多层级特征融合模块（MLFF）采用分层引导机制缓解解码过程中的语义损失，保持检测目标的结构完整性。在 SIRST 、 NUDT - SIRST 和 IRSTD -1K数据集上的实验表明，ESSNet在关键指标上均显著