一、本文介绍
本文给大家介绍DSAM双流注意力融合模块优化YOLO26模型！DSAM双流注意力融合模块通过显式建模前景与背景注意力，引导特征融合过程，从而提升小目标在复杂背景中的辨识能力，助力YOLO26各种小目标检测任务有效涨点 。具体怎么使用请看全文！
🔥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、 DSAM模块介绍
DSAM模块结构图
DSAM模块的作用
DSAM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 :
🚀 创新改进2:
🚀 创新改进3:
六、正常运行
🚀 创新改进1 : 正常运行
🚀 创新改进2 : 正常运行
🚀 创新改进3 : 正常运行
二、 DSAM模块介绍
摘要：在遥感图像中检测小目标是计算机视觉领域的一项重大挑战，主要难点在于背景复杂、像素分辨率受限，以及在特征融合过程中信息容易丢失。尽管近年来通用目标检测取得了显著进展，但在小目标检测方面仍然面临困难，现有框架在小尺度下难以实现高性能表现。
为此，本文提出了一种新型框架——边界感知特征融合网络（BAFNet），该网络显著提升了模型在复杂遥感场景中准确表征和定位小目标的能力。具体而言：
我们设计了一个双流注意力融合模块，通过双向上下文建模同时捕获前景与背景线索。通过联合关注目标及其周围区域，该模块增强了模型区分小目标的判别能力。
此外，我们引入了边界感知分支，以更好
