前言本文提出信息整合注意力（IIA）机制，并将其集成到YOLO26中用于遥感图像语义分割。传统CNN和Transformer方法分别存在难以捕捉全局信息和计算复杂的问题，现有基于Mamba的方法也未充分考虑局部信息。IIA机制利用图像特征空间位置不变性，通过基础信息融合、双方向序列提取和动态权重调制三个核心步骤，以及通道级拼接、双方向拆分与池化、轻量级1D卷积和残差融合四个关键操作，实现了轻量与精准的平衡。我们将IIA集成到YOLO26的C3k2模块中。实验表明，改进后的YOLO26在多个数据集上提高了精度，且运行高效。文章目录： YOLO26改进大全：卷积层、轻量化、注意力机制、损失函数、Backbone、SPPF、Neck、检测头全方位优化汇总专栏链接: YOLO26改进专栏介绍 YOLO26改进 - C3k2 | C3k2融合 IIA信息整合注意力（Information Integration Attention ）平衡精度与计算成本 | TGRS2025
前言本文提出信息整合注意力（IIA）机制，并将其集成到YOLO26中用于遥感图像语义分割。传统CNN和Transformer方法分别存在难以捕捉全局信息和计算复杂的问题，现有基于Mamba的方法也未充分考虑局部信息。IIA机制利用图像特征空间位置不变性，通过基础信息融合、双方向序列提取和动态权重调制三个核心步骤，以及通道级拼接、双方向拆分与池化、轻量级1D卷积和残差融合四个关键操作，实现了轻量与精准的平衡。我们将IIA集成到YOLO26的C3k2模块中。实验表明，改进后的YOLO26在多个数据集上提高了精度，且运行高效。文章目录： YOLO26改进大全：卷积层、轻量化、注意力机制、损失函数、Backbone、SPPF、Neck、检测头全方位优化汇总专栏链接: YOLO26改进专栏介绍 RELATED READING
延伸阅读
更多一线实战笔记与深度复盘，助您持续精进
