YOLO系列算法改进 | C3k2改进篇 | 融合SFD显著特征判别模块，全局通道关系建模驱动复杂环境精准感知，适应遥感与边缘部署场景 | ICME 2026

0. 前言本文介绍SFD显著特征判别模块（Salient Feature Discriminator），并将其集成到ultralytics最新发布的YOLO26目标检测算法中，构建C3k2_SFD创新模块。SFD是一种通过通道间关系建模和图结构推理来判别显著特征的注意力机制，旨在解决复杂背景下目标与背景难以区分、微小目标易被淹没的问题。将SFD嵌入YOLO26的C3k2模块中，能够显著增强模型对全局语义的判别能力，使检测器从本质上区分真正的显著目标与背景噪声，尤其适用于高分辨率遥感图像、航拍巡检、边防监控等存在低对比度、伪目标干扰和密集小目标的复杂场景，在保持高效推理的同时，大幅提升对隐蔽目标和细碎结构的检测完整性。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.SFD模块简介2.SFD模块原理与创新点🧠SFD模块基本原理🎯 SFD模块创新点3.具体改进步骤🍀🍀步骤1：创建C3k2_SFD.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.SFD模块简介光学遥感图像显著目标检测仍面临诸多挑战，主要源于复杂背景、低对比度、不规则物体形状及尺度差异显著等问题。现有判别方法直接回归显著性图，而近期基于扩散的生成方法则存在随机采样和高计算成本的缺陷。本文提出ORSIFlow框架——一种基于显著性引导的校正流方法，将ORSI-SOD问题重构为确定性潜在流生成任务。该框架通过冻结变分自编码器构建紧凑潜在空间进行显著性掩码生成，仅需少量步骤即可实现高效推理。为增强显著性感知能力，我们设计了用于全局语义判别的显著特征判别器和用于边界精炼的显著特征校准器。多项公开基准实验表明，ORSIFlow在显著提升效率的同时实现了业界领先性能。原始论文：https://arxiv.org/pdf/2603.28584v1原始代码：