一、本文介绍
🔥“揭秘！这两个模块让YOLO26变得更聪明、更敏锐”
🚀“从局部到全局：如何用GMM和LMM重塑YOLO26的视觉理解
本文给大家介绍利用GMM和LMM两个创新点优化YOLO26模型！GMM增强全局感知，适应遥感图中大尺度与远程目标识别；LMM强化局部空间与通道注意力，有效提升小目标与边缘目标检测精度。二者协同优化YOLO26的特征提取能力，特别适用于遥感等多尺度密集目标检测任务。具体怎么使用请看全文！
🔥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、GMM和LMM模块介绍
2.1 网络结构图
2.2 GMM模块的作用及优势
2.3 LMM模块的作用及优势
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_C3k2_GLMM.yaml
🚀 创新改进2 : yolo26_GLMM.yaml
六、正常运行
二、GMM和LMM模块介绍
摘要：多时相高光谱影像（HSI）凭借丰富的光谱特征和图像细节，已被广泛应用于不同地表覆盖物的变更检测（CD）。然而，双时相HSI的配准与标注对工作耗时费力。本文提出基于单时相掩膜的网络模型STMNet，从检测掩膜作为变化的新视角出发，实现自监督的HSI CD。STMNet通过将人工构建的掩膜视为单时相HSI中的变化区域来实现自监督学习。为此，我们设计了多尺度掩膜变化模拟策略（MMCS），生成更贴近真实场景的伪双时相HSI。同时，提出全局-局部特征聚合网络以增强远距离和局部空间-光谱特征提取。据我们所知，这是该领域首个利用单时相HSI且无需标注配对样本的HSI CD方法，有效缓解了多时相HSI标注难题。在三个HSI数据集上的可视化与定量实验结果表明，提出的STMNet在HSI CD任务中表现优于当前主流方法。
)
)
