【RT-DETR涨点改进】SCI 2026| 注意力改进篇 | 引入ASSAIFI 自适应稀疏自注意力机制，助力遥感目标检测、红外弱小目标检测、SAR舰船小目标检测任务涨点

一、本文介绍🔥本文给大家介绍使用 ASSAIFI 自适应稀疏自注意力机制 改进RT-DETR网络模型，ASSAIFI 通过窗口化自适应稀疏注意力集中建模目标区域、削弱大面积背景噪声，并利用循环移位扩大跨窗口信息交流，再结合深度卷积与门控细化保留目标边缘、纹理和局部结构，从而增强RT-DETR对小目标、密集目标、低对比度目标及复杂背景目标的特征表达和定位能力，减少漏检、误检与背景误响应；同时，其局部窗口计算避免了全局自注意力的高复杂度，逐点卷积和深度卷积也使额外参数与计算开销相对可控，能够在兼顾实时检测效率的情况下提升模型的抗干扰性、多尺度建模能力和复杂场景鲁棒性。🔥欢迎订阅我的专栏、带你学习使用最新-最前沿-独家RT-DETR创新改进！🔥🔥RT-DETR创新改进目录：全新RT-DETR 有效涨点改进目录 | 包含各种卷积、主干改进、各种注意力机制、Neck特征融合改进、损失函数、AIFI创新改进、独家创新、小目标检测、特殊场景检测等最全大论文及小论文必备创新改进点🔥全新RT-DETR创新改进专栏地址：最全RT-DETR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、ASSAIFI 自适应稀疏自注意力机制介绍2.1 ASSAIFI 自适应稀疏自注意力机制结构图2.2ASSAIFI 模块的作用：2.3 ASSAIFI 模块的原理2.4ASSAIFI 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🔥: rtdetr-l-AIFI_WDAM.yaml🚀创新改进2🔥: rtdetr-r18-AIFI_WDAM.yaml🚀创新改进3🔥: rtdetr-r50-AIFI_WDAM.yaml六、正常运行二、ASSAIFI 自适应稀疏自注意力机制介绍摘要：在遥感影像中实现精准高效的物体检测，是城市监测、基础设施评估及灾害管理等应用领域的基础。然而，目前仍存在两大持续性挑战：(1)超高清图像中小型物体仅占据少量像素，导致难以可靠识别；(2)大规模卫星数据的快速增长要求采用计算效率高且适合实际部署的方法。现有的轻量级卷积网络虽能实现实时处理效率，但往往无法充分捕捉小目标的判别特征；而基于Transformer的检测器虽能提升特征表示能力，却需要付出较高的计算复杂度代价。为应对这些挑战，我们提出了MAC-DETR——一种专为遥感影像设计的CNN-Mambaout-Transformer混合检测框架。该框架整合了三个互补模块：(1)Mambaout-RepLK：一种基于Mambaout架构的门控卷积块，在保持特征提取能力的同时降低计算开销，在 NWPU VHR -10数据集的细粒度类别上将mAP值提升超过2.5%，同时参数量减少23%；(2)cross-UP：自适应上采样模块，可增强多尺度融合效果并