一、本文介绍
本文给大家介绍使用DTAB和GCSA创新点改进YOLO26模型！TBSN通过重新设计通道自注意力（分组通道注意力 G-CSA）来防止多尺度架构中的盲点信息泄露，并利用带掩膜的窗口自注意力 (M-WSA) 模仿扩张卷积以保持盲点特性，助力YOLO26有效涨点。
🔥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、DTAB模块介绍
DTAB和GCSA网络结构图：
DTAB和GCSA的作用：
适用任务如下：
三、DTAB和GCSA核心代码
四、手把手教你添加模块和修改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文件
🚀参考版本1 :
🚀参考版本 2:
六、训练演示，正常运行
二、DTAB和GCSA模块介绍
摘要：本文针对自监督图像去噪（SSID）中盲点网络（BSN）的网络架构，指出现有的基于卷积层的BSN存在局限性，而变形器（transformer）则具有潜在的克服卷积局限性的能力，并且在各种图像恢复任务中取得了成功。然而，变形器的注意力机制可能会违反盲点要求，因此限制了它们在SSID中的适用性。因此， 本文提出了一种基于变形器的盲点网络（TBSN） ，通过分析和重新设计变形器操作符以满足盲点要求。具体来说，TBSN遵循扩张BSN的架构原则，并 结合空间和通道自注意层来增强网络能力 。对于空间自注意力，我们应用精细的掩码来限制其感受野，从而模拟扩张卷积。对于通道自注意力，我们观察到在多尺度架构的深层中，当通道数大于空间大小时，它可能会泄漏盲点信息。为了消除这种影响，我们将通道分成几组，并分别执行通道注意力。此外，我们引入知识蒸馏策
