一、本文介绍⭐本文使用DSE Block改进YOLO26网络模型，可通过卷积分支保留小目标的边缘、轮廓与局部纹理，并利用四方向选择性扫描分支建立长距离空间依赖，从而同时增强局部细节和全局上下文，提升弱小目标、低对比度目标及复杂背景下的目标—干扰区分能力；其通道注意力、通道重排和残差连接还能突出有效特征、促进双分支信息交互并减少细节丢失，因此有助于降低背景高亮区域引起的误检和微弱目标被淹没造成的漏检。YOLO26创新专栏目录：YOLO26涨点改进目录| 含Conv卷积、主干网络、注意力机制、Neck特征融合、检测头、知识蒸馏、模型剪枝、轻量化改进、损失函数、二次创新C2PSA/C3k2等各种顶会顶刊创新改进YOLO26订阅专栏地址：全新YOLO26独家创新改进，适合高效发表SCI和CCF小论文、大论文写作。本文目录一、本文介绍二、DSEB双流显著性特征增强模块介绍2.1，DSEB双流显著性特征增强模块的结构图2.2，DSEB模块的核心思想2.3，DSEB模块的作用2.4，DSEB模块的原理2.5适用任务领域三、核心模块的完整实现代码四、手把手添加步骤4.1 修改一4.2修改二4.3修改三五、创新改进yaml模型文件创新改进点🚀六、成功运行结果演示二、DSEB双流显著性特征增强模块介绍摘要：红外小目标检测（IRSTD）对于遥感和监控等应用至关重要，其目标是在复杂背景下识别小型、低对比度的目标。然而，现有方法往往难以有效联合建模局部与全局特征（损害目标与背景的区分能力）或处理特征冗余及语义稀释问题（降低目标表征质量）。为解决这些问题，我们提出了 DCCS-Det（红外小目标方向上下文与跨尺度感知检测器），这是一种新型检测器，它整合了双流显著性增强（DSE）模块和感知语义提取与聚合模块（LaSEA）模块。 DSE 模块通过将局部感知与方向感知的上下文聚合相结合，有