【YOLO26创新改进】TGRS 2026 | Transformer变体改进篇 | 使用CGTA曲率引导令牌注意力，改善结构与纹理的整体协调，适合遥感小目标检测、旋转目标检测、实例分割任务
一、本文介绍
⭐本文在YOLO26目标检测模型中引入CGTA曲率引导令牌注意力模块，依据曲率显著性与特征可靠性，从高分辨率特征图中筛选少量关键令牌，再让全部位置与这些代表性特征进行全局交互，从而以较低计算和显存开销建立远距离目标、背景及跨尺度结构之间的联系；该模块能够重点强化车辆、舰船、飞机、建筑等目标的边缘、转角和弯曲轮廓，改善小目标、密集目标及旋转目标的特征完整性与定位稳定性，并通过可靠性门控抑制噪声和伪边缘，通过标准注意力与曲率注意力融合避免平坦区域被过度增强。相比完整全局自注意力，CGTA具有全局感受野较大、关键特征利用率高、复杂度更可控和适合高分辨率检测等优势。
YOLO26创新专栏目录：YOLO26涨点改进目录| 含Conv卷积、主干网络、注意力机制、Neck特征融合、检测头、知识蒸馏、模型剪枝、轻量化改进、损失函数、二次创新C2PSA/C3k2等各种顶会顶刊创新改进
YOLO26订阅专栏地址：全新YOLO26独家创新改进，适合高效发表SCI和CCF小论文、大论文写作。
本文目录
一、本文介绍
二、CGTA曲率引导令牌注意力介绍
2.1，CGTA曲率引导令牌注意力的结构图
2.2，CGTA曲率引导令牌注意力的核心思想
2.3，CGTA曲率引导令牌注意力的作用
2.4，CGTA曲率引导令牌注意力的原理
2.5 适用任务领域
三、核心模块的完整实现代码
四、手把手添加步骤
4.1 修改一
4.2 修改二
4.3 修改三
五、yaml模型文件
创新改进版本1🚀
创新改进版本2🚀
六、成功运行结果演示
二、CGTA曲率引导令牌注意力介绍
摘要：遥感（RS）图像超分辨率（SR）技术可支持地图绘制、监测及识别等下游任务；然而，编码场景拓扑结构的曲线形结构与重复纹理会因下采样而产生混叠现象。缺乏几何先验条件的通用注意力机制往往会导致边缘锯齿化和细节模糊。为解决这一问题，我们提出了曲率引导注意力（CGA），该方法在标准Transformer框架内，将曲率信息注入局部窗口注意力机制及基于令牌的全局聚合过程。局部曲率引导注意力（LCGA）可强化窗口内的边缘与线性连续性，而曲率引导令牌注意力（CGTA）则能以近线性复杂度选择具有全局信息量的令牌，从而避免使用重量级的全局模块及额外分支。该设计能够在不损害自然区域质量的前提下保留结构布局与纹理规律，并可与传统残差组（RGs