一、本文介绍🔥本文给大家介绍使用 DCMM新一代自注意力模块 改进YOLO26网络模型，可显著提升模型对目标结构关系和全局依赖的建模能力，从而增强检测精度与稳定性。该模块通过建模特征间的社区结构，使模型更易聚焦目标区域并抑制背景干扰，同时结合节点重要性机制强化关键区域表达，提升小目标和遮挡目标的检测能力。此外，DCMM以加性偏置方式引导注意力，在不破坏原有特征的前提下实现更稳定的特征融合，并通过完全可微设计提升训练稳定性与模型鲁棒性，整体上增强了YOLO26在复杂场景下的检测性能。🔥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、DCMM新一代自注意力模块介绍2.1 DCMM新一代自注意力模块结构图2.2DCMM模块的作用：2.3 DCMM模块的原理2.4DCMM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_DCMMSelfAttention.yaml🚀创新改进2🔥: yolo26_DCMMSelfAttention-2.yaml🚀创新改进3🔥: yolo26_C3k2_DCMM.yaml🚀创新改进4🔥: yolo26_C2PSA_DCMM.yaml六、正常运行二、DCMM新一代自注意力模块介绍摘要：医学图像通常包含潜在的解剖结构分组，例如器官、组织和病变区域，而标准的视觉Transformer（ViT）未能有效利用这些结构信息。尽管已有工作（如SBM-Transformer）尝试通过随机二值掩码引入这种结构，但其存在不可微、训练不稳定以及难以建模复杂社区结构等问题。本文提出了一种新的视觉Transformer架构——DCMM-Transformer，用于医学图像分析，该方法将度校正混合成员模型（DCMM）作为加性偏置引入自注意力机制中。不同于依赖乘性掩码和二值采样的传统方法，我们的方法以一种完全可微且具有良好可解释性的方式引入社区结构和节点度异质性。在多个医学影像数据集（包括脑部、胸部、乳腺和眼科影像）上的实验结果表明，该方法在性能和泛化能力方面均优于现有方法。此外，所学习到的群组结构和结构化注意力机制显著提升了模型的可解释性，使得生成的注意力图在解剖结构和语义上更加合理。