一、本文介绍
🔥本文给大家介绍利用DWM-MSA双窗口多尺度多头自注意力模块改进YOLO26 网络模型，在保持局部窗口计算高效性的基础上，通过双窗口多尺度注意力与跨窗口 shuffle 机制同时建模细粒度局部纹理和长程全局依赖，从而增强特征表达能力。小窗口有利于捕获小目标与边界细节，大窗口扩大感受野以增强上下文建模，而跨窗口交互弥补了传统局部注意力的信息割裂问题。相比全局自注意力，其计算开销更可控，更适合实时检测框架；相比纯卷积或单尺度注意力，其对复杂背景、尺度变化和目标遮挡场景具有更强的鲁棒性，能够在较小性能代价下提升检测精度与稳定性。
🔥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、DWM-MSA双窗口多尺度多头自注意力介绍
2.1 DWM-MSA双窗口多尺度多头自注意力结构图
2.2 DWM-MSA模块的作用
2.3 DWM-MSA模块的原理
2.4 DWM-MSA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ultralytics\nn\tasks.py文件
五、创建涨点yaml配置文件
🚀 创新改进1:
🚀 创新改进2:
🚀 创新改进3:
六、正常运行
二、DWM-MSA双窗口多尺度多头自注意力介绍
摘要：快照压缩成像（SCI）能够将三维高光谱图像（HSI）压缩为二维测量数据，在显著提高成像效率的同时，仍能保留高光谱图像所固有的空间与光谱信息。然而，由于该逆问题具有高度复杂性，从压缩测量中重建高质量的高光谱图像仍然是一个核心挑战。近年来，基于 Transformer 的方法在高光谱重建任务中展现出良好的性能，但如何在合理的计算成本下有效捕获局部信息、长程依赖关系以及多尺度特征，仍然是一个重要难题。为此，本文提出了一种面向高光谱重建任务的双阶段多尺度 Transformer 网络（DSMT），该网络采用由粗到细的重建框架，以提升重建精度和网络泛化能力。具体而言，我们设计了一种新颖的 U-Net 架构，并引入双分支编码器结构，使两个独立分支能够处理不同类型的特征并进行融合，从而获得更加精细的重建结果。同时，本文引入全尺度跳跃连接，以增强不同阶段之间的
