一、本文介绍⭐本文在YOLO26目标检测模型中引入MAF（Modality-Aware Fusion，模态感知融合）模块，主要用于增强多源信息融合能力，提高模型对复杂环境下目标特征的提取效果。MAF通过模态感知机制对不同来源特征进行自适应加权，使模型能够充分利用红外图像中的目标显著信息和可见光图像中的纹理细节信息，减少单一模态数据在光照变化、背景干扰和目标弱显著情况下造成的信息缺失。将MAF应用于YOLO26后，可有效增强目标区域特征响应，提高小目标、低对比度目标以及复杂背景目标的检测精度。同时，通道注意力与空间注意力的联合优化能够提升特征表达能力，增强模型对目标边缘、结构和语义信息的感知能力。相比传统特征融合方法，MAF能够实现更精细的跨模态信息交互，在提高检测准确率和鲁棒性的同时保持较好的计算效率，适用于红外-可见光目标检测、遥感多源图像分析、夜间监控、无人机巡检和智能交通等复杂场景下的目标检测任务。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经独家创新改进，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、MAFusion模态感知融合模块介绍2.1，MAFusion模态感知融合模块的结构图2.2，MAFusion模态感知融合模块的核心思想2.3，MAFusion模态感知融合模块的作用2.4，MAFusion模态感知融合模块的原理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、yaml模型文件5.1 改进yaml版本1🚀5.2 改进yaml版本3🚀5.3改进yaml版本2🚀六、成功运行结果演示二、MAFusion模态感知融合模块介绍摘要：红外-可见光图像融合（IVF）旨在将红外与可见光传感器提供的互补信息整合为单一、更具信息量的图像表示。然而，在融合结果中同时实现视觉清晰度与语义一致性仍是关键挑战，尤其对于场景理解等实际应用领域而言。为解决这一问题，我们提出DICFusion——一种专为增强感知效果和语义表达的红外-可见光融合任务设计的深度集成化、语义协调型网络架构。首先，DICFusion采用创新的模态感知融合策略，将红外与可见光模态信息整合为统一的特征嵌入向量；其次，该框架引入混合Mamba卷积模块，充分发挥Mamba网络与卷