一、本文介绍
🔥本文给大家介绍使用 SCPP（Scale-aware Contextual Pyramid Pooling）模块改进YOLO26网络，可显著增强其多尺度感知与上下文理解能力。SCPP通过空洞卷积、多尺度分支及像素级注意力融合机制，使模型能够自适应地捕捉不同尺寸目标的特征，特别在遥感图像、密集场景和小目标检测中表现优异。它提升了目标边界清晰度、抑制了背景干扰，并改善了分割完整性，同时结构轻量、易于集成，不显著影响推理速度。因此，SCPP可有效提升YOLO26在复杂环境中的检测精度和鲁棒性，具备良好的工程实用价值。
🔥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、SCPP尺度感知上下文金字塔池化模块介绍
2.1 SCPP模块结构图
2.2 SCPP模块的作用：
2.3 SCPP模块的优势
2.4 SCPP模块的原理
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_SCPP.yaml
🚀 创新改进2: yolo26_C3k2_SCPP.yaml
六、正常运行
二、SCPP尺度感知上下文金字塔池化模块介绍
摘要：遥感图像（RSIs）的语义分割在采用深度神经网络后取得了显著进展，利用卷积神经网络（CNN）在局部特征提取方面的优势，以及变换器在全局信息建模方面的能力。然而，由于CNN在长程建模能力上的局限性以及变换器的计算复杂性限制，遥感（RS）语义分割仍然面临诸如严重空洞、边缘分割粗糙，以及光照、阴影等因素导致的误检甚至漏检等问题。为了解决这些问题，我们提出了一种称为GLVMamba的视觉状态空间（VSS）模型，该模型使用CNN作为编码器，并以提出的全局-局部VSS（GLVSS）模块作为核心解码器。具体而言，GLVSS模块引入了局部前向反馈和滑动窗口机制，以解决Mamba在邻近像素依赖建模不足的问题，从而在特征重建过程中增强全局与局部上下文的整合，提升模型的目标感知能力，并有效优化边缘轮廓。此外，我们提出了具有尺度感知的金字塔池化（SCPP）模块，以充分融合各尺度特征，并自适应地融合和提取区分性特征，从而减轻空洞和误检问题。通过GLVSS模块和SCPP模块，GLVMamba能够有效捕捉全局-局部语义信息和多尺度特征，实现高效且准确的遥感语义分割。</
