前言

本文提出信息整合注意力（IIA）机制，并将其集成到YOLO26中用于遥感图像语义分割。传统CNN难捕捉全局信息，Transformer计算复杂，现有基于Mamba的方法未充分考虑局部信息。IIA利用图像特征空间位置不变性，先融合编解码器特征，再从高度和宽度方向提取序列信息，生成注意力权重因子动态调制特征。其通过通道级拼接、双方向拆分与池化、轻量级1D卷积和残差融合等操作，平衡了精度与计算成本。实验表明，集成IIA的YOLO26在数据集上提高了精度，且运行高效。

文章目录： YOLO26改进大全：卷积层、轻量化、注意力机制、损失函数、Backbone、SPPF、Neck、检测头全方位优化汇总

专栏链接: YOLO26改进专栏

介绍

摘要

在遥感图像语义分割领域，基于卷积神经网络（CNNs）和Transformer的方法已得到广泛研究。然而，由于CNN的局部特征提取特性，其难以捕捉全局上下文信息，而Transformer则受限于二次计算的复杂性。近年来，基于Mamba的状态空间模型引发了大量关注。但现有的基于Mamba的方法在遥感图像分割任务中，未能充分考虑局部信息的重要性。本文构建了一种编解码风格的网络UMFormer，用于遥感图像的语义分割。具体而言，UMFormer采用ResNet18作为编码器，旨在进行初步的图像特征提取。随后，对自注意力机制进行优化，以在多尺度条件下提取不同大小目标的全局信息。为了融合编解码器的特征图信息，构建了另一种注意力结构，用于重建空间信息并捕捉相对位置关系。最后，设计了一个基于Mamba的解码器，以有效对全局和局部信息进行建模。同时，设计了一种利用特征相似性的特征融合机制，目的是将局部信息嵌入到全局信息中。在无人机影像数据集（UAVid）、Vaihingen和Potsdam数据集上进行的大量实验表明，所提出的UMFormer在保持高效运行速度的同时，还提高了精度。相关代码将在以下网址免费公开：https://github.com/takeyoutime/UMFormer

文章链接

论文地址：论文地址

代码地址：代码地址

基本原理

信息整合注意力（Information Integration Attention, IIA）是一种为解决编码器-解码器架构中特征融合痛点设计的轻量级注意力机制，核心创新围绕“精准保留空间位置信息、高效抑制噪声干扰、平衡精度与计算成本”展开。

一、核心逻辑：基于“空间位置不变性”的双方向动态调制

IIA的核心创新逻辑源于对“图像特征空间位置不变性”的利用——即同一目标在图像中的相对位置关系（如“车辆在道路上”“窗户在建筑立面”）具有稳定性，可通过捕捉这种关系强化有效特征、过滤噪声。其本质是**“先融合信息→再分方向提取关键序列→最后动态加权增强”** 的三阶段递进式处理，具体逻辑链如下：

1. 基础信息融合：先将编码器的局部特征与解码器的全局特征拼接，形成“多尺度信息池”，确保不丢失原始特征细节；
2. 双方向序列提取：针对特征图的“高度”和“宽度”两个空间维度，分别提取序列信息（类比人类观察图像时“先看上下范围、再看左右范围”），全面捕捉空间位置关联；
3. 动态权重调制：为两个方向的序列信息生成“注意力权重因子”，对目标区域赋予高权重（强化关键特征）、对噪声区域赋予低权重（抑制干扰），最后通过残差融合保留基础信息，输出增强后的特征。

二、关键操作创新：四大环节实现“轻量+精准”的平衡

IIA通过四步核心操作落地上述逻辑，每一步均包含针对性创新，既保证效果又控制计算成本：

1. 特征融合环节：通道级拼接，保留多尺度信息完整性

• 传统问题：传统特征融合常采用“元素相加”或“简单卷积压缩”，易导致局部细节或全局语义丢失（如相加时高层级特征覆盖低层级特征）；
• IIA创新：将编码器输出的局部特征图（如尺寸为C×H×W，C为通道数、H为高度、W为宽度）与解码器输出的全局特征图，按“通道维度”直接拼接，形成新的融合特征图（尺寸为2C×H×W）。这种方式能完整保留两种特征的原始信息，为后续空间位置提取奠定基础，且仅增加通道数、不引入额外计算量。

2. 特征重塑与信息提取环节：双方向拆分+池化组合，精准捕捉空间关系

这是IIA最核心的创新环节之一，通过“拆分维度+双池化”解决传统注意力“全局笼统处理”的缺陷：

• 步骤1：双方向特征重塑
  将融合特征图拆分为两个独立的“方向特征”：

  • 聚焦“高度方向”：将特征图重塑为“宽度×通道×高度”（W×C×H）的形态，专门捕捉上下方向的位置关系（如“建筑顶部与底部的相对位置”）；
  • 聚焦“宽度方向”：将特征图重塑为“高度×通道×宽度”（H×C×W）的形态，专门捕捉左右方向的位置关系（如“道路左侧与右侧的车辆分布”）。
    这种拆分使注意力不再“全局平均用力”，而是针对两个空间维度分别优化，提升位置信息捕捉精度。

• 步骤2：双池化提取序列信息
  对每个方向的特征图，沿“非目标维度”（高度方向特征沿宽度维度池化、宽度方向特征沿高度维度池化）同时执行平均池化和最大池化：

  • 平均池化：提取“全局趋势信息”（如整个高度方向的特征分布规律），避免局部噪声干扰；
  • 最大池化：提取“局部显著信息”（如高度方向上的目标峰值特征，如建筑边缘的强响应），突出关键细节。
    两种池化结果拼接后，每个方向的序列信息既包含全局规律、又涵盖局部细节，解决了传统单池化“要么丢全局、要么丢局部”的问题。

3. 注意力调制因子生成环节：轻量级1D卷积，控制计算成本

• 传统问题：传统注意力（如自注意力）用全连接层生成权重，计算量随特征尺寸呈O(n²)增长；
• IIA创新：采用1D卷积（核大小为7）处理双池化后的序列信息：
  • 1D卷积更适配“序列信息”（如高度方向的特征序列），能有效捕捉相邻位置的关联（如“某行特征与上下几行的依赖关系”），且计算量仅为2D卷积的1/H或1/W（H、W为特征图尺寸）；
  • 卷积后通过“1D批归一化”稳定训练（避免梯度波动），再用“Sigmoid激活函数”将输出压缩到0-1区间，生成“高度方向调制因子”和“宽度方向调制因子”——因子值越接近1，代表对应位置的特征越重要（如目标区域）；越接近0，代表该位置为噪声或干扰（如背景纹理）。

4. 特征增强与输出环节：残差融合，平衡增强与信息保留

• 传统问题：传统注意力直接用权重因子加权特征，易丢失原始信息（如权重过小导致有效特征被过度抑制）；
• IIA创新：采用“残差融合”策略：
  1. 先将高度、宽度方向的调制因子分别与原始融合特征图进行“逐元素相乘”，得到两个方向的“增强特征”（目标区域被放大、噪声被削弱）；
  2. 再将这两个增强特征与原始融合特征图进行“逐元素相加”（残差连接），确保既保留原始特征的基础信息，又叠加注意力增强的效果。
     这种方式避免了“过度增强”或“信息丢失”，让输出特征同时具备“精准定位”和“强判别性”。

核心代码

classIIA(nn.Module):def__init__(self,channel):super(IIA,self).__init__()self.attention=AttentionWeight(channel)defforward(self,x):# b, w, c, hx_h=x.permute(0,3,1,2).contiguous()x_h=self.attention(x_h).permute(0,2,3,1)# b, h, c, wx_w=x.permute(0,2,1,3).contiguous()x_w=self.attention(x_w).permute(0,2,1,3)# b, c, h, w# x_c = self.attention(x)# return x + 1 / 2 * (x_h + x_w) # 89.8 92.5 81.9returnx+x_h+x_w

YOLO26引入代码

在根目录下的ultralytics/nn/目录，新建一个attention目录，然后新建一个以IIA.py为文件名的py文件， 把代码拷贝进去。

importtorchimporttorch.nnasnnclassAttentionWeight(nn.Module):def__init__(self,channel,kernel_size=7):super(AttentionWeight,self).__init__()padding=(kernel_size-1)//2self.conv1=nn.Conv2d(2,1,kernel_size=1)self.conv2=nn.Conv1d(channel,channel,kernel_size,padding=padding,groups=channel,bias=False)self.bn=nn.BatchNorm1d(channel)self.sigmoid=nn.Sigmoid()defforward(self,x):b,w,c,h=x.size()x_weight=torch.cat((torch.max(x,1)[0].unsqueeze(1),torch.mean(x,1).unsqueeze(1)),dim=1)x_weight=self.conv1(x_weight).view(b,c,h)x_weight=self.sigmoid(self.bn(self.conv2(x_weight)))x_weight=x_weight.view(b,1,c,h)returnx*x_weightclassIIA(nn.Module):def__init__(self,channel):super(IIA,self).__init__()self.attention=AttentionWeight(channel)defforward(self,x):# b, w, c, hx_h=x.permute(0,3,1,2).contiguous()x_h=self.attention(x_h).permute(0,2,3,1)# b, h, c, wx_w=x.permute(0,2,1,3).contiguous()x_w=self.attention(x_w).permute(0,2,1,3)# b, c, h, w# x_c = self.attention(x)# return x + 1 / 2 * (x_h + x_w) # 89.8 92.5 81.9returnx+x_h+x_w

注册

在ultralytics/nn/tasks.py中进行如下操作：

步骤1:

fromultralytics.nn.attention.IIAimportIIA

步骤2

修改def parse_model(d, ch, verbose=True):

elifmisIIA:args=[ch[f],*args]

配置yolo26-IIA.yaml

ultralytics/cfg/models/26/yolo26-IIA.yaml

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license# Ultralytics YOLO26 object detection model with P3/8 - P5/32 outputs# Model docs: https://docs.ultralytics.com/models/yolo26# Task docs: https://docs.ultralytics.com/tasks/detect# Parametersnc:80# number of classesend2end:True# whether to use end-to-end modereg_max:1# DFL binsscales:# model compound scaling constants, i.e. 'model=yolo26n.yaml' will call yolo26.yaml with scale 'n'# [depth, width, max_channels]n:[0.50,0.25,1024]# summary: 260 layers, 2,572,280 parameters, 2,572,280 gradients, 6.1 GFLOPss:[0.50,0.50,1024]# summary: 260 layers, 10,009,784 parameters, 10,009,784 gradients, 22.8 GFLOPsm:[0.50,1.00,512]# summary: 280 layers, 21,896,248 parameters, 21,896,248 gradients, 75.4 GFLOPsl:[1.00,1.00,512]# summary: 392 layers, 26,299,704 parameters, 26,299,704 gradients, 93.8 GFLOPsx:[1.00,1.50,512]# summary: 392 layers, 58,993,368 parameters, 58,993,368 gradients, 209.5 GFLOPs# YOLO26n backbonebackbone:# [from, repeats, module, args]-[-1,1,Conv,[64,3,2]]# 0-P1/2-[-1,1,Conv,[128,3,2]]# 1-P2/4-[-1,2,C3k2,[256,False,0.25]]-[-1,1,Conv,[256,3,2]]# 3-P3/8-[-1,2,C3k2,[512,False,0.25]]-[-1,1,Conv,[512,3,2]]# 5-P4/16-[-1,2,C3k2,[512,True]]-[-1,1,Conv,[1024,3,2]]# 7-P5/32-[-1,2,C3k2,[1024,True]]-[-1,1,SPPF,[1024,5,3,True]]# 9-[-1,2,C2PSA,[1024]]# 10# YOLO26n headhead:-[-1,1,nn.Upsample,[None,2,"nearest"]]-[[-1,6],1,Concat,[1]]# cat backbone P4-[-1,2,C3k2,[512,True]]# 13-[-1,1,nn.Upsample,[None,2,"nearest"]]-[[-1,4],1,Concat,[1]]# cat backbone P3-[-1,2,C3k2,[256,True]]# 16 (P3/8-small)-[-1,1,IIA,[]]#17-[-1,1,Conv,[256,3,2]]-[[-1,13],1,Concat,[1]]# cat head P4-[-1,2,C3k2,[512,True]]# 19 (P4/16-medium)-[-1,1,IIA,[]]# 21-[-1,1,Conv,[512,3,2]]-[[-1,10],1,Concat,[1]]# cat head P5-[-1,1,C3k2,[1024,True,0.5,True]]# 22 (P5/32-large)-[-1,1,IIA,[]]# 25-[[17,21,25],1,Detect,[nc]]# Detect(P3, P4, P5)

实验

脚本

importwarnings warnings.filterwarnings('ignore')fromultralyticsimportYOLOif__name__=='__main__':# 修改为自己的配置文件地址model=YOLO('./ultralytics/cfg/models/26/yolo26-IIA.yaml')# 修改为自己的数据集地址model.train(data='./ultralytics/cfg/datasets/coco8.yaml',cache=False,imgsz=640,epochs=10,single_cls=False,# 是否是单类别检测batch=8,close_mosaic=10,workers=0,optimizer='MuSGD',amp=True,project='runs/train',name='yolo26-IIA',)

结果