一、本文介绍🔥本文给大家介绍使用SSCL空间-光谱相关层模块改进YOLO26网络模型，将特征建模拆分为空间相关建模和通道相关建模两条路径：空间路径强化目标位置、边缘、纹理和上下文关系，通道路径建模不同语义通道之间的依赖，突出与目标类别和形状相关的有效特征并抑制冗余信息。SSCL有助于增强YOLO26在小目标、密集目标、复杂背景、低对比度和多光谱/遥感检测场景下的检测精度、定位能力和鲁棒性，同时保持较好的实时推理效率。🔥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、SSCL空间-光谱相关层模块介绍2.1 SSCL空间-光谱相关层模块结构图2.2SSCL空间-光谱相关层模块的作用：2.3 SSCL空间-光谱相关层模块的原理2.4SSCL空间-光谱相关层模块的优势三、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_C2PSA_SSCL.yaml🚀创新改进2🔥: yolo26_SSCLC3k2.yaml🚀创新改进3🔥: yolo26_SSCL.yaml六、正常运行二、SSCL空间-光谱相关层模块介绍摘要：高光谱图像（HSI）融合旨在通过结合低分辨率高光谱图像（LR-HSI）丰富的光谱信息与高分辨率多光谱图像（HR-MSI）精细的空间细节，重建高分辨率高光谱图像（HR-HSI）。尽管近期深度学习方法已取得显著进展，但仍存在感受野有限、光谱通道冗余以及自注意力机制二次复杂度高等问题，这些因素均制约了其效率与鲁棒性。为解决这些问题，我们提出了层次化空间-光谱密集相关网络（HSSDCT）。该框架包含两个核心模块：(i)层次化密集残差变换器块（HDRTB），可逐步扩大窗口尺寸并采用密集残差连接实现多尺度特征聚合；（ii）空间-光谱相关层（SSCL），能明确分解空间与光谱依赖关系，将自注意力复杂度降至线性水平同时降低光谱冗余。在基准数据集上的大量实验表明， HSSDCT 能在显著降低计算成本的同时实现卓越的重建质量，在高光谱图像融合领域达到新的前沿性能水平。我们的代码可在https://github.com/jemmyleee/ HSSDCT