YOLO26涨点改进| CVPR 2026|独家创新首发、特征融合改进篇| 引入SFS螺旋感知特征融合模块，针对红外小目标特性的跨尺度特征增强，提升空间感知能力和噪声抑制，助力小目标检测，分割高效涨点

 一、本文介绍

🔥本文给大家介绍利用SFS螺旋感知特征融合模块改进YOLO26网络模型，SFS 模块通过构建符合红外小目标空间分布特性的螺旋采样结构，并结合跨注意力机制进行有选择的跨尺度融合，实现了对目标相关语义的精准提取与背景噪声的进一步抑制。它不仅增强了特征融合过程中的空间感知能力，还在保证计算效率的前提下显著降低误警率，在YOLO26网络模型中实现结构化多尺度融合的关键组件。

🔥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、SFS螺旋感知特征采样融合模块介绍

2.1 SFS螺旋感知特征采样融合模块结构图

2.2 SFS模块的作用

2.3 SFS模块的原理

2.4 SFS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_SFS.yaml

🚀 创新改进2🐉: yolo26_SFS-2.yaml

🚀 创新改进3✨: yolo26_SFS-3.yaml

六、正常运行

二、SFS螺旋感知特征采样融合模块介绍

摘要：红外小目标检测与分割（IRSTDS）是国防与民用领域中一项关键而具有挑战性的任务，这源于目标的低亮度、无形状特征以及严重的背景杂波干扰。近期基于卷积神经网络（CNN）的方法虽在目标感知方面取得显著成果，但其仅通过增强特征表示来抵消噪声影响，导致误报率上升。本文通过频域分析问题，从降噪角度创新性地提出新型降噪特征金字塔网络（NS- FPN），该网络在原有 FPN 结构中整合了低频引导特征净化（LFP）模块和螺旋感知特征采样（SFS）模块。 LFP 模块通过净化高频成分抑制噪声特征，实现无噪声干扰的特征增强； SFS 模块则采用螺旋采样技术，在特征融合过程中融合目标相关特征。NS- FPN 设计轻量高效，可轻松集成至现有 IRSTDS 框架。 IRSTD -1k和 NUAA – SIRST 数据集的广泛实验表明，本方法显著降低误报率，并在 IRSTDS 任务中取得优异性能。