YOLO系列算法改进 | C2PSA改进篇 | 融合CAFR跨光谱注意力特征细化模块 | 以极低计算代价增强多光谱特征判别性，突破复杂光照与小目标检测瓶颈 | AAAI 2026

0. 前言本文介绍CAFR（Cross-spectral Attention Feature Refinement）跨光谱注意力特征细化模块，并将其集成到ultralytics最新发布的YOLO26目标检测算法中，构建C2PSA_CAFR创新模块。CAFR是一种基于跨光谱交叉注意力的轻量级特征细化机制，通过显式的对象感知线索引导多光谱特征的自适应增强与对齐。将CAFR嵌入YOLO26的C2PSA模块中，能够显著增强模型在多光谱图像中对小目标与低对比度目标的特征判别能力，特别适用于复杂光照环境下的无人机航拍检测、全天候智能监控以及多光谱遥感图像分析等场景，在几乎不增加推理开销的前提下，大幅提升模型在弱光、遮挡及背景杂乱条件下的检测鲁棒性。专栏链接：YOLO系列算法改进专栏链接专栏文章：YOLO26改进系列 | 卷积篇、轻量化、注意力、损失函数、Backbone、SPPF、C2PSA、Neck、检测头全方面保姆级优化合集 | 同样适配YOLOv11改进！！！目录0. 前言1.CAFR注意力简介2.CAFR注意力原理与创新点🧠CAFR注意力基本原理🎯 CAFR注意力创新点3.具体改进步骤🍀🍀步骤1：创建C2PSA_CAFR.py文件🍀🍀步骤2：tasks.py文件修改🍀🍀步骤3：创建YAML配置文件🍀🍀步骤4：新建train.py文件训练模型🍀🍀步骤5：模型结构打印结果1.CAFR注意力简介多光谱图像（MSIs）通过捕获多个波段的光谱信息为目标检测提供了补充性的判别线索，然而现有方法在利用光谱-空间信息时面临三大挑战：一是现有的多光谱目标检测方法通过PCA降维或波段选择等方式解耦光谱与空间信息，采用双流网络独立处理，带来高昂的计算成本和光谱信息损失；二是现有航空目标检测方法主要利用空间特征，光谱线索未被充分利用；三是复杂场景中广泛的背景干扰会稀释目标特征，削弱模型注意力并影响目标光谱-空间特征学习，导致检测器性能下降。为解决上述问题，本文提出SACF模块，通过自适应聚合光谱相关特征来增强目标内相关性，在保留空间纹理细节的同时抵抗噪声干扰，最小化跨层融合过程中的信息损失。原始论文：https://arxiv.org/pdf/2512.09489原始代码/