一、本文介绍🔥本文给大家介绍使用 PSAB置换自注意力模块 改进YOLO26网络模型，PSAB利用其“大窗口置换自注意力”机制增强特征提取阶段对长距离依赖和全局上下文信息的建模能力，使网络在复杂背景、目标遮挡、尺度变化及密集目标场景中能够获得更完整的空间关系信息；同时，PSAB通过通道压缩与空间到通道的信息置换，在扩大感受范围的同时控制注意力计算开销，并借助ConvFFN进一步强化边缘、纹理等局部高频细节，有利于提升小目标、低对比度目标及边界模糊目标的特征表达能力。将PSAB用于YOLO26的潜在优势主要体现在增强全局与局部特征融合、提升复杂场景下的目标辨识能力，并在较低额外计算成本下改善检测特征质量。🔥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、SRFormerV2中PSA置换自注意力模块介绍2.1 SRFormerV2中PSA置换自注意力模块结构图2.2 SRFormerV2中PSA置换自注意力模块的作用：2.3 SRFormerV2中PSA置换自注意力模块的原理2.4 SRFormerV2中PSA置换自注意力模块的优势三、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🔥: yolo26_PSABC3k2.yaml六、正常运行二、SRFormerV2中PSA置换自注意力模块介绍摘要：先前的研究表明，增加基于Transformer的图像超分辨率模型（如SwinIR）的窗口大小可以显著提升模型性能。然而，当窗口大小逐渐增大时，计算开销也会显著增加。本文提出SRFormer，这是一种简单而新颖的方法，既能受益于大窗口自注意力机制，又能大幅降低计算负担。SRFormer的核心是置换自注意力（PSA），它在通道信息与空间信息之间取得了恰当的平衡。无需额外复杂操作，我们的SRFormer在Urban100数据集上取得了33.86 dB的 PSNR 分数，比SwinIR高出0.46 dB，同时使用的参数量和计算量更少。此外，我们还尝试通过进一步增大窗口大小和通道数来扩展模型规模，以探索基于Transformer模型的潜力。实验表明，我们扩展后的模型——SRFormerV2——能够进一步提升性能，达到当前最佳水平。我们希望这一简单而有效的方法能为未来超分辨率模型设计研究提供有益参考。
一、本文介绍🔥本文给大家介绍使用 PSAB置换自注意力模块 改进YOLO26网络模型，PSAB利用其“大窗口置换自注意力”机制增强特征提取阶段对长距离依赖和全局上下文信息的建模能力，使网络在复杂背景、目标遮挡、尺度变化及密集目标场景中能够获得更完整的空间关系信息；同时，PSAB通过通道压缩与空间到通道的信息置换，在扩大感受范围的同时控制注意力计算开销，并借助ConvFFN进一步强化边缘、纹理等局部高频细节，有利于提升小目标、低对比度目标及边界模糊目标的特征表达能力。将PSAB用于YOLO26的潜在优势主要体现在增强全局与局部特征融合、提升复杂场景下的目标辨识能力，并在较低额外计算成本下改善检测特征质量。🔥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、SRFormerV2中PSA置换自注意力模块介绍2.1 SRFormerV2中PSA置换自注意力模块结构图2.2 SRFormerV2中PSA置换自注意力模块的作用：2.3 SRFormerV2中PSA置换自注意力模块的原理2.4 SRFormerV2中PSA置换自注意力模块的优势三、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🔥: yolo26_PSABC3k2.yaml六、正常运行二、SRFormerV2中PSA置换自注意力模块介绍摘要：先前的研究表明，增加基于Transformer的图像超分辨率模型（如SwinIR）的窗口大小可以显著提升模型性能。然而，当窗口大小逐渐增大时，计算开销也会显著增加。本文提出SRFormer，这是一种简单而新颖的方法，既能受益于大窗口自注意力机制，又能大幅降低计算负担。SRFormer的核心是置换自注意力（PSA），它在通道信息与空间信息之间取得了恰当的平衡。无需额外复杂操作，我们的SRFormer在Urban100数据集上取得了33.86 dB的 PSNR 分数，比SwinIR高出0.46 dB，同时使用的参数量和计算量更少。此外，我们还尝试通过进一步增大窗口大小和通道数来扩展模型规模，以探索基于Transformer模型的潜力。实验表明，我们扩展后的模型——SRFormerV2——能够进一步提升性能，达到当前最佳水平。我们希望这一简单而有效的方法能为未来超分辨率模型设计研究提供有益参考。
