【YOLO26创新改进】TIP 2025顶刊 | 特征融合改进篇 | 使用 CAFM 交叉注意力融合模块，适合小目标检测、多模态目标检测、实例分割任务，即插即用涨点改进

一、本文介绍⭐本文在YOLO26模型中引入CAFM 交叉注意力融合模块，CAFM先利用平均池化和最大池化获得两个分支的通道描述，建立跨分支通道关联并完成语义交互，再通过空间注意力筛选关键区域，最后利用残差增强、特征拼接和点卷积形成统一输出。 它最大的特点是将传统的“直接特征融合”改造成通道交叉协同 + 空间自适应筛选，因此尤其适合双分支、多尺度和多模态特征融合任务，包括高光谱重建、目标检测、语义/实例分割以及多源遥感视觉等领域。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、CAFM 交叉注意力融合模块介绍2.1，CAFM 交叉注意力融合模块的结构图2.2，CAFM 交叉注意力融合模块的核心思想2.3，CAFM 交叉注意力融合模块的作用2.4，CAFM 交叉注意力融合模块的原理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、CAFM 交叉注意力融合模块介绍摘要：快照压缩成像（SCI）技术将三维高光谱图像（HSI）压缩为二维测量数据，显著提升了成像效率，同时保留了HSI中固有的空间与光谱信息。然而，由于逆问题的复杂性，从压缩测量数据重建高质量HSI仍是一项核心挑战。基于Transformer的方法近期在HSI重建任务中展现出良好的性能。尽管如此，在合理的计算成本下有效捕获局部信息、长程依赖关系及多尺度特征仍然是一个重大挑战。本文提出一种专用于HSI重建的双阶段多尺度Transformer（DSMT），该方法采用粗到细的框架以提升重建精度和网络泛化能力。具体而