YOLO系列算法改进 | C2PSA改进篇 | 融合CGTA曲率引导标记注意力 | 几何感知与线性复杂度双突破，适用于高分辨率遥感图像检测与边缘部署场景 | TGRS 2026
0. 前言
本文介绍CGTA曲率引导标记注意力模块，并将其集成到ultralytics最新发布的YOLO26目标检测算法中，构建C2PSA_CGTA创新模块。CGTA是一种曲率引导的全局标记注意力机制，通过曲率感知的标记选择策略实现线性复杂度的全局特征交互，专门解决遥感图像中细长目标（如道路、河流、电力线、海岸线）的几何连续性保持问题。将CGTA嵌入YOLOv26的C2PSA模块中，能够赋予模型“几何结构感知”与“高效全局关联”的双重能力，使其在面对蜿蜒河流、盘山公路、电网弧垂、管道裂缝等复杂拓扑目标时，不仅能精准定位目标位置，更能完整保留其形态走向，尤其适用于智慧水利、电网巡检、交通监测等对目标几何完整性要求严苛的场景，在保持实时检测效率的同时，让模型真正具备“沿曲线追踪目标”的感知智能。
专栏链接：YOLO系列算法改进专栏链接
专栏文章：YOLO26改进系列 | 卷积篇、轻量化、注意力、损失函数、Backbone、SPPF、C2PSA、Neck、检测头全方面保姆级优化合集 | 同样适配YOLOv11改进！！！
目录
0. 前言
1. CGTA注意力简介
2. CGTA注意力原理与创新点
🧠 CGTA注意力基本原理
🎯 CGTA注意力创新点
3. 具体改进步骤
🍀🍀步骤1：创建C2PSA_CGTA.py文件
🍀🍀步骤2：tasks.py文件修改
🍀🍀步骤3：创建YAML配置文件
🍀🍀步骤4：新建train.py文件训练模型
🍀🍀步骤5：模型结构打印结果
1. CGTA注意力简介
遥感图像超分辨率支持着地图绘制、监测和识别等下游任务；然而，编码场景拓扑结构的曲线结构和重复纹理在下采样过程中会产生混叠。缺乏几何先验的通用注意力机制往往导致锯齿状边缘和细节模糊。为解决这一问题，本文提出了曲率引导注意力（CGA），它在标准Transformer框架内将曲率线索注入局部窗口注意力和基于标记的全局聚合中。局部曲率引导注意力（LCGA）在窗口内强化边缘和线条的连续性，而曲率引导标记注意力（CGTA）则以接近线性的复杂度选择全局信息性标记，避免了繁重的全局模块和额外的分支。由此产生的设计能够在不破坏自然区域的情况下保持结构布局和纹理规律性，并与传统的残差组无缝集成。在多个数据集和尺度因子上的实验表明，CGA相比最先进的超分模型获得了更高的重建保真度，定性结果显示出更清晰的几何结构和更少的伪影。消融实验分离了每个组件的作用并确认了其互补优势，一个面向效率的变体在更严格的内存和延迟约束下仍保持了主要性能趋势。我们进一步在未经模拟降质的真实遥感影像上验证了CGA。这些发现表明，曲率引导是遥感图像超分中一种有效且实用的归纳偏置，能够在保持计算复杂度可控的同时，增强跨场景和尺度的整体及类别级性能。