一、本文介绍
🔥本文给大家介绍使用ARFC自适应感受野卷积改进YOLO26网络模型，ARFC 通过 网格级路由器 将局部特征分配给不同的 多感受野专家 MFE，小尺度目标倾向于使用小感受野专家以保留细节、减少背景干扰，较大目标则使用大感受野专家以获取更充分的上下文；同时结合 长距离上下文共享专家 LCE 补充全局依赖信息。其优势在于能够增强 YOLO26 对小目标、密集目标和尺度变化目标的特征表达能力，提高目标定位精度，减少漏检和误检，并在复杂遥感背景或小目标场景下提升鲁棒性；同时 ARFC 采用深度可分离卷积、条带卷积和 Top-k 稀疏专家选择，能够在提升检测性能的同时控制参数量和计算开销。
🔥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、ARFC自适应感受野卷积介绍
2.1 ARFC自适应感受野卷积结构图
2.2 ARFC自适应感受野卷积的作用：
2.3 ARFC自适应感受野卷积的原理
2.4 ARFC自适应感受野卷积的优势
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🔥:
🚀 创新改进2🔥:
🚀 创新改进3🔥:
六、正常运行
二、ARFC自适应感受野卷积介绍
摘要：遥感图像中的小目标检测受到显著的尺度差异严重制约，即使对于小型目标也是如此。传统方法通常依赖静态感受野来捕捉上下文信息，这导致关键的尺度不匹配问题：过大的感受野会将微小目标淹没在背景噪声中，而过小的感受野则无法为较大目标提供足够的上下文信息。为解决这一难题，我们提出了基于专家混合模型（ARFN -MoEs）的自适应感受野网络——这是一种能动态适配特定物体尺度的新型架构。该框架由一系列专精于不同尺度的专家模块组成，每个模块均配备针对特定尺度范围优化的独特感受野。为协调这些专家模块，我们引入了网格级路由机制，可智能地将局部特征区域分配给最合适的专家模块，从而确保实现精确的尺度匹配型上下文特征提取。此外，我们设计了网格级平衡损失函数以促进训练过程中所有专家模块的均衡利用，避免模型性能下降。在多个公开基准数据集上的
