YOLO26改进 - 注意力机制 | LS-YOLO MSFE 多尺度特征提取模块：并行分支结构增强多尺度感知，优化遥感与小目标检测

张开发
• 2026/4/16 23:02:06 • 15 分钟阅读

最新文章

推荐文章

相关文章

分享文章

YOLO26改进 - 注意力机制 | LS-YOLO MSFE 多尺度特征提取模块：并行分支结构增强多尺度感知，优化遥感与小目标检测
前言本文介绍了一种用于滑坡检测的模型LS-YOLO及其在YOLO26中的结合应用。LS-YOLO首先构建多尺度滑坡数据集MSLD，为模型训练提供丰富数据。设计了基于高效通道注意力、平均池化和空间可分离卷积的多尺度特征提取模块MSFE，充分提取滑坡特征信息。在解耦头中采用膨胀卷积增加模型感受野。我们将MSFE模块集成进YOLO26，替换部分原有模块。实验表明，改进后的YOLO26在数据集中表现出色 。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改进专栏文章目录前言介绍摘要文章链接基本原理LS-YOLOMSFE核心代码YOLO26引入代码注册卷积步骤1:步骤2配置yolo26-MSFE.yaml实验脚本结果介绍摘要滑坡作为一种分布广泛且破坏性极强的自然灾害，对人类生命安全及自然资产构成严重威胁，因此研究基于遥感影像的高精度滑坡检测方法具有重要的学术价值和实际应用意义。本文提出了一种新颖高效的滑坡检测模型LS-YOLO，专门针对遥感影像中的滑坡识别任务进行优化设计。研究首先构建了多尺度滑坡数据集（MSLD），并在数据增强过程中引入随机种子机制以增强数据鲁棒性。针对遥感影像中滑坡目标的多尺度特性，设计了融合高效通道注意力机制、平均池化操作和空间可分离卷积的多尺度特征提取模块。为进一步扩展模型感受野，在解耦头结构中采用膨胀卷积技术，具体而言，将基于膨胀卷积构建的上下文增强模块集成至解耦头回归任务分支，并以改进后的解耦头替代YOLOv5s原有的耦合头结构。大量实验验证结果表明，所提出的LS-YOLO模型在多尺度滑坡检测任务中展现出卓越性能，显著优于Faster RCNN、SSD、EfficientDet-D0、YOLOv5s、YOLOv7及YOLOX等主流目标检测模型。相较于基准模型YOLOv5s，LS-YOLO在滑坡检测任务中的平均精度（AP）指标提升2.18个百分点，达到97.06%的优异性能水平。文章链接论文地址：论文地址代码地址：

更多文章