YOLOv13涨点改进 | 独家HyperACE改进、注意力改进篇 | TGRS 2025 | 引入GLVMamba中的SCPP尺度感知上下文金字塔池化、助力目标检测、医学图像分割、图像分类有效涨点

一、本文介绍

🔥本文给大家介绍使用 SCPP（Scale-aware Contextual Pyramid Pooling）模块改进YOLOv13 网络，可显著增强其多尺度感知与上下文理解能力。SCPP通过空洞卷积、多尺度分支及像素级注意力融合机制，使模型能够自适应地捕捉不同尺寸目标的特征，特别在遥感图像、密集场景和小目标检测中表现优异。它提升了目标边界清晰度、抑制了背景干扰，并改善了分割完整性，同时结构轻量、易于集成，不显著影响推理速度。因此，SCPP可有效提升YOLOv13在复杂环境中的检测精度和鲁棒性，具备良好的工程实用价值。

专栏改进目录：YOLOv13改进包含各种卷积、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、HyperACE二次创新、独家创新等几百种创新点改进。

全新YOLOv13创新—发论文改进专栏链接：全新YOLOv13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

展示YOLOv13改进后的网络结构图、供小伙伴自己绘图参考：

🚀 创新改进结构图: yolov13n_HyperACE_SCPP.yaml

本文目录

一、本文介绍

二、SCPP尺度感知上下文金字塔池化模块介绍

2.1 SCPP模块结构图

2.2 SCPP模块的作用：

2.3 SCPP模块的优势

2.4 SCPP模块的原理

三、完整核心代码

 四、手把手教你配置模块和修改task.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task.py文件

五、创建涨点yaml配置文件

🚀 创新改进1: yolov13n_SCPP.yaml

🚀 创新改进2: yolov13n_DSC3k2_SCPP.yaml

🚀 创新改进3: yolov13n_HyperACE_SCPP.yaml

六、正常运行

---

二、SCPP尺度感知上下文金字塔池化模块介绍

摘要：遥感图像（RSIs）的语义分割在采用深度神经网络后取得了显著进展，利用卷积神经网络（CNN）在局部特征提取方面的优势，以及变换器在全局信息建模方面的能力。然而，由于CNN在长程建模能力上的局限性以及变换器的计算复杂性限制，遥感（RS）语义分割仍然面临诸如严重空洞、边缘分割粗糙，以及光照、阴影等因素导致的误检甚至漏检等问题。为了解决这些问题，我们提出了一种称为GLVMamba的视觉状态空间（VSS）模型，该模型使用CNN作为编码器，并以提出的全局-局部VSS（GLVSS）模块作为核心解码器。具体而言，GLVSS模块引入了局部前向反馈和滑动窗口机制，以解决Mamba在邻近像素依赖建模不足的问题，从而在特征重建过程中增强全局与局部上下文的整合，提升模型的目标感知能力，并有效优化边缘轮廓。此外，我们提出了具有尺度感知的金字塔池化（SCPP）模块，以充分融合各尺度特征，并自适应地融合和提取区分性特征，从而减轻空洞和误检问题。通过GLVSS模块和SCPP模块，GLVMamba能够有效捕捉全局-局部语义信息和多尺度特征，实现高效且准确的遥感语义分割。</