一、本文介绍🔥本文给大家介绍利用GSFM 全局语义感知融合模块改进YOLO26网络模型，可以在高层特征阶段增强全局语义建模能力，使网络在更大范围内建立特征依赖关系，从整体背景分布中重新评估局部响应强度，从而突出小目标并抑制复杂背景干扰。该模块通过全局上下文引导的特征重标定机制，优化送入检测头的语义表达质量，提高目标与背景之间的区分度。相比传统卷积结构，GSFM能够突破局部感受野限制，在复杂场景下增强模型鲁棒性和抗噪能力，同时结构轻量、易于集成，在不显著增加计算开销的前提下提升检测精度与泛化性能。🔥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、GSFM 全局语义感知融合模块介绍2.1 GSFM 全局语义感知融合模块结构图2.2GSFM 模块的作用2.3GSFM 模块的原理2.4 GSFM 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_GSFM.yaml🚀创新改进2🐉: yolo26_GSFM-2.yaml🚀创新改进3✨: yolo26_GSFM-3.yaml六、正常运行二、GSFM 全局语义感知融合模块介绍摘要：红外小目标检测（IRSTD）是一项极具挑战性的任务，这源于红外图像中目标尺寸微小且对比度较低的特性。传统方法依赖大量先验知识，且对复杂背景的鲁棒性较差。尽管基于卷积神经网络（CNN）的方法在 IRSTD 领域取得显著进展，但有效提取并充分利用不同层级特征仍具挑战性。为解决这一难题，我们提出两种 IRSTD 策略：1）多尺度感知；2）交叉注意力特征融合。基于这些策略，我们构建了一个名为MPCNet的多尺度感知与交叉注意力特征融合网络。具体而言，编码器中的多尺度感知模块旨在捕捉丰富的上下文信息，增强小目标的定位感知能力。在交叉注意力特征融合方面，编码器设计了全局语义感知融合模块（GSFM），解码器则设计了语义引导交叉注意力融合模块（SCFM）。前者通过缩小不同层级特征间的语义差距实现更精细的特征融合，后者通过增强编码器与解码器间特征的语义关联，进一步精准捕捉目标特征。实验结果表明，相较于其他最先进的（SOTA）IRSTD 方法，所提出的MPCNet在定量与定性评估中均展现出显著优势。