一、本文介绍🔥本文给大家介绍使用 CDSF跨域协同融合模块 改进YOLO26多模态网络模型，主要作用是对不同层级、不同尺度或不同模态的特征进行自适应对齐与互补融合，避免传统拼接或直接相加造成的语义错位和信息冗余。该模块先利用多尺度深度可分离卷积提取局部细节与大范围上下文，再通过双向交叉注意力建立两类特征之间的依赖关系，使深层语义信息能够指导浅层空间细节筛选，同时利用边缘、纹理和位置信息强化目标表征。用于改进 YOLO26 时，CDSF 可增强模型对小目标、遮挡目标、低对比度目标及复杂背景目标的感知能力，提升多尺度特征融合质量、目标边界表达和分类定位一致性；其优势在于融合方式动态、特征互补性强，并通过深度可分离卷积控制计算开销，有助于在保持较好实时性的同时降低误检和漏检，提高检测精度与跨场景鲁棒性。🔥欢迎订阅我的专栏、带你学习使用最新-最前沿-独家YOLO多模态创新改进！🔥🔥YOLO多模态改进专栏目录：《YOLO多模态全网独家创新》多模态融合改进教程，包含早期融合、中期融合、后期融合、损失函数改进、二次创新模块、独家创新等几百种创新点改进，答疑群提供完整项目，永久更新中🔥YOLO多模态创新订阅地址：YOLO多模态创新改进专栏—轻松跑实验、多模态项目较容易冲顶会顶刊，永久更新中本文目录一、本文介绍二、CDSF跨域协同融合模块介绍2.1 CDSF跨域协同融合模块结构图2.2CDSF模块的作用：2.3 CDSF模块的原理2.4CDSF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配置文件六、正常运行二、CDSF跨域协同融合模块介绍摘要：高光谱目标检测在高光谱图像分析中具有重要意义，但由于光谱信息冗余及特征耦合问题，该任务仍面临诸多挑战。现有研究较为有限，且缺乏系统化、通用化的检测框架。为解决这一问题，我们提出了一种名为分解与聚合混合网络（DAHNet）的混合光谱-空间网络模型，旨在提升高光谱目标检测（HOD）的准确性和效率。DAHNet首先通过光谱-空间压缩与增强（SSCE）模块，结合深度可分离卷积和三维卷积技术，在保留光谱信息的同时捕捉关键空间结构，从而生成紧凑且具备区分能力的特征表示；随后通过三维光谱瓶颈增强（3DSBE）模块和可扩展空间瓶颈精炼（SSBR）模块进行特征优化，逐步提取互补的光谱与空间特征；最后借助跨域协同融合（CDSF）模块，采用注意力机制对光谱与空间特征表示进行对齐，增强特征互补性与语义一致性。为验证该方法的有效性，我们构建了 SZU CAR航空高光谱数据集，并在另外两个公开数据集上开展了广泛实验。实验结果表明，DAHNet始终优于现有方法：在 SZU CAR、H
一、本文介绍🔥本文给大家介绍使用 CDSF跨域协同融合模块 改进YOLO26多模态网络模型，主要作用是对不同层级、不同尺度或不同模态的特征进行自适应对齐与互补融合，避免传统拼接或直接相加造成的语义错位和信息冗余。该模块先利用多尺度深度可分离卷积提取局部细节与大范围上下文，再通过双向交叉注意力建立两类特征之间的依赖关系，使深层语义信息能够指导浅层空间细节筛选，同时利用边缘、纹理和位置信息强化目标表征。用于改进 YOLO26 时，CDSF 可增强模型对小目标、遮挡目标、低对比度目标及复杂背景目标的感知能力，提升多尺度特征融合质量、目标边界表达和分类定位一致性；其优势在于融合方式动态、特征互补性强，并通过深度可分离卷积控制计算开销，有助于在保持较好实时性的同时降低误检和漏检，提高检测精度与跨场景鲁棒性。🔥欢迎订阅我的专栏、带你学习使用最新-最前沿-独家YOLO多模态创新改进！🔥🔥YOLO多模态改进专栏目录：《YOLO多模态全网独家创新》多模态融合改进教程，包含早期融合、中期融合、后期融合、损失函数改进、二次创新模块、独家创新等几百种创新点改进，答疑群提供完整项目，永久更新中🔥YOLO多模态创新订阅地址：YOLO多模态创新改进专栏—轻松跑实验、多模态项目较容易冲顶会顶刊，永久更新中本文目录一、本文介绍二、CDSF跨域协同融合模块介绍2.1 CDSF跨域协同融合模块结构图2.2CDSF模块的作用：2.3 CDSF模块的原理2.4CDSF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配置文件六、正常运行二、CDSF跨域协同融合模块介绍摘要：高光谱目标检测在高光谱图像分析中具有重要意义，但由于光谱信息冗余及特征耦合问题，该任务仍面临诸多挑战。现有研究较为有限，且缺乏系统化、通用化的检测框架。为解决这一问题，我们提出了一种名为分解与聚合混合网络（DAHNet）的混合光谱-空间网络模型，旨在提升高光谱目标检测（HOD）的准确性和效率。DAHNet首先通过光谱-空间压缩与增强（SSCE）模块，结合深度可分离卷积和三维卷积技术，在保留光谱信息的同时捕捉关键空间结构，从而生成紧凑且具备区分能力的特征表示；随后通过三维光谱瓶颈增强（3DSBE）模块和可扩展空间瓶颈精炼（SSBR）模块进行特征优化，逐步提取互补的光谱与空间特征；最后借助跨域协同融合（CDSF）模块，采用注意力机制对光谱与空间特征表示进行对齐，增强特征互补性与语义一致性。为验证该方法的有效性，我们构建了 SZU CAR航空高光谱数据集，并在另外两个公开数据集上开展了广泛实验。实验结果表明，DAHNet始终优于现有方法：在 SZU CAR、H
