0. 前言
本文介绍了MDCR模块（Multi-Dilated Channel Refiner），并集成到ultralytics最新的YOLO26目标检测算法中，改进Neck特征融合部分。MDCR模块的核心思想是通过并行、轻量的方式，高效捕捉和融合不同感受野范围内的空间特征，以增强网络对微小目标和复杂背景之间细微差异的辨别能力。验结果显示，该模块在显著减少参数与FLOPs的同时仍具备优异性能。文章还提供了完整的YOLO26模型集成流程、配置和训练实战。
专栏链接：YOLO系列算法改进专栏链接
目录
0. 前言
1. MDCR模块简介
2. MDCR模块原理与创新点
🧠 MDCR模块基本原理
🎯 MDCR模块创新点
3. 具体改进步骤
🍀🍀步骤1：创建MDCR.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. MDCR模块简介
红外小目标检测作为计算机视觉领域的一项关键任务，旨在识别并定位红外图像中的微小目标，这些目标往往仅有几个像素大小。然而，由于目标体积微小且红外图像背景通常较为复杂，该任务面临着诸多挑战。本文提出了一种深度学习方法HCF – Net，借助多个实用模块显著提高了红外小目标检测的性能。具体来讲，该方法包含并行化的感知补丁注意力（PPA）模块、维度感知选择性融合（DASI）模块和多膨胀通道优化（MDCR）模块。PPA模块采用多分支特征提取策略来捕获不同尺度和层次的特征信息；DASI模块实现了自适应的通道选择与融合；MDCR模块通过多层深度可分离卷积捕捉不同感受野范围的空间特征。大量实验结果显示，在SIRST红外单帧图像数据集上，所提出的HCF – Net表现卓越，超越了其他传统模型和深度学习模型。
原始论文：
