YOLO26涨点改进| CVPR 2026 |独家创新首发、特征融合改进篇| 引入CFDA粗细可变形聚合模块，比普通可变形卷积更清晰、更稳定，助力遥感目标检测、小目标检测、图像分割、高光谱图像有效涨点

一、本文介绍

🔥本文给大家介绍使用  CFDA粗细可变形聚合模块 改进YOLO26网络模型，通过增强模型对错位、多尺度形变和复杂背景中目标特征的自适应聚合能力。其核心作用是先通过粗粒度位移预测获得目标特征与参考特征之间的大致对应关系，再通过亚像素级细化修正局部偏差，最后利用可变形卷积根据偏移量和置信权重动态采样有效特征。相比普通卷积、简单拼接或普通可变形卷积，CFDA 更能精准聚合目标边缘、纹理和局部结构信息，减少背景伪特征干扰，从而提升小目标、形变目标、边界模糊目标和复杂遥感场景下的检测精度、定位稳定性与鲁棒性。

🔥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、CFDA粗细可变形聚合模块介绍

2.1  CFDA粗细可变形聚合模块结构图

2.2 CFDA 模块的作用：

2.3 CFDA 模块的原理

2.4 CFDA 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🔥: yolo26_CFDA.yaml

🚀 创新改进2🔥: yolo26_CFDA-2.yaml

🚀 创新改进3🔥: yolo26_CFDA-3.yaml

六、正常运行

二、CFDA粗细可变形聚合模块介绍

摘要：未配准高光谱图像（HSI）超分辨率（SR）通常旨在使用未配准的高分辨率参考图像来增强低分辨率HSI。本文提出了一种基于解混的融合框架，该框架解耦空间-光谱信息，以同时减轻未配准融合的影响并增强SR模型的可学习性。具体而言，我们首先利用奇异值分解进行初始光谱解混，保留原始端元，并将后续网络专注于增强初始丰度图。为了利用未配准参考图像的空间纹理，我们引入了粗到细可变形聚合模块，该模块首先使用粗金字塔预测器估计像素级流和相似性图，并进一步执行细亚像素精细调整，以实现参考特征的可变形聚合。然后，通过一系列空间通道丰度交叉注意力块对聚合特征进行精细化处理。此外，提出了一种空间-通道调制融合模块，使用动态门控权重合并编码器-解码器特征，从而生成高质量、高分辨率HSI。在模拟和真实数据集上的实验结果表明，所提出的方法在超分辨率性能上达到了最先进水平。