【YOLO26创新改进】BMVC 2024 | 特征融合创新改进篇 | 利用 MASAG多尺度自适应空间注意力门控融合模块，适合小目标检测、实例分割、医学图像分割任务，高效涨点即插即用

一、本文介绍

⭐本文在YOLO26模型中引入 MASAG多尺度自适应空间注意力门控融合模块，利用其“多尺度上下文融合—空间选择—局部与全局交叉调制—特征重校准”的机制，对浅层高分辨率细节和深层高语义特征进行自适应筛选与双向增强，从而减少传统Concat或Add融合中无效背景信息直接传递的问题。其作用在于根据当前目标的尺寸、形状和场景内容动态调整有效感受范围，突出目标区域、边缘和纹理等关键响应，同时利用高层语义抑制复杂背景干扰，因此有助于提升YOLO26在小目标、多尺度目标、遮挡目标和复杂背景场景中的特征辨识度与定位精度。相比普通注意力或固定融合方式，MASAG能够同时兼顾局部细节与全局上下文，具有较强的空间选择能力、高频细节保持能力和跨尺度适应性。

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、MASAG多尺度自适应空间注意力门控融合模块介绍

2.1， MASAG特征融合模块的结构图

2.2，MASAG特征融合模块的核心思想

2.3，MASAG特征融合模块的作用

2.4，MASAG特征融合模块的原理

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🚀

创新改进版本3🚀

六、成功运行结果演示

二、MASAG多尺度自适应空间注意力门控融合模块介绍

摘要：医学图像分割是指在医学影像中识别并分离不同物体实例，以清晰界定各类组织与结构；由于这些特征在尺寸、形状及密度上存在显著差异，该任务具有较高的复杂性。传统上，卷积神经网络（CNN）常用于此任务，但其在捕捉长程依赖关系方面存在局限性。而基于自注意力机制的Transformer模型旨在解决这一问题。然而，在医学图像分割任务中，将局部特征与全局特征相结合、有效整合跨尺度的特征图、同时捕捉精细特征与宏观语义要素，对于应对结构间的差异具有重要价值。本文提出了一种名为MSA2Net的新型深度分割框架，该框架