一、本文介绍
🔥本文给大家介绍使用 DTEP动态纹理-边缘感知模块 改进YOLO26网络模型，通过增强检测网络对空间位置、边缘结构和多方向纹理细节的感知能力，从而弥补普通卷积或 Transformer 类结构在细粒度局部特征表达上的不足。其核心作用是通过位置编码强化目标空间分布信息，通过 Sobel 边缘增强突出目标轮廓和边界，再利用 Gabor 滤波提取不同方向的纹理特征，最后通过混合空洞卷积融合局部细节与较大范围上下文。因此，DTEP 更有利于提升 YOLO26 对小目标、边界模糊目标和纹理复杂目标的检测能力，减少复杂背景下的误检与漏检，并改善目标定位精度和场景鲁棒性。
🔥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、 DTEP动态纹理-边缘感知模块介绍
2.1 DTEP动态纹理-边缘感知模块结构图
2.2 DTEP 模块的作用：
2.3 DTEP 模块的原理
2.4 DTEP 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_DTEP.yaml
🚀 创新改进2🔥: yolo26_DTEP-2.yaml
🚀 创新改进3🔥: yolo26_DTEPC2PSA.yaml
🚀 创新改进4🔥: yolo26_C3k2_DTEP.yaml
六、正常运行
二、 DTEP动态纹理-边缘感知模块介绍
摘要：遥感图像的语义分割仍面临诸多挑战：类内差异显著、类间相似度高，且需要实现轻量级部署。传统的单一架构模型和同质化协作框架难以在局部细节提取与全局上下文建模之间取得平衡。为解决这些局限，我们提出了异构协作学习框架HCL-Net，该框架融合了卷积神经网络与Transformer架构。HCL-Net包含两个互补的学生网络：基于ResNet18并配备小波相位-振幅融合模块（WPAFB）以捕捉多频信息的频域局部细节网络（FLDNet），以及基于DFormer-T主干网络并集成动态纹理-边缘感知模块（DTEP）以实现鲁棒全局上下文建模的空间域全局结构网络（SGSNet）。该双协同策略通过以下方式增强网络间的知识迁移：1）双向特征重建（BFR），利用Gram矩阵对齐实现高阶统计特征对齐，并通过变分信息蒸馏（VID）确保特征空间一致性；2）区域像素级对比学习，既能提升类内紧凑性，又能减少类间混淆。在Va
