一、本文介绍🔥本文给大家介绍使用 PSA金字塔光谱注意力 改进RT-DETR网络模型，通过多尺度下采样、深度卷积注意力与跨尺度特征融合，同时增强局部细节、目标边界和大范围上下文信息，并对不同通道特征进行自适应筛选，抑制冗余响应与背景噪声。用于改进 RT-DETR 时，PSA 能缓解单一尺度特征提取造成的感受野不足和语义信息不完整问题，提升模型对小目标、密集目标、低对比度目标、遮挡目标及复杂背景目标的感知能力；其优势在于兼顾高分辨率细节与全局依赖，通过深度卷积和低分辨率注意力分支控制计算开销，并借助上采样、通道拼接及残差融合减少细节丢失，从而提高多尺度特征表达、目标定位精度、类别区分能力和检测鲁棒性。🔥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、PSA金字塔光谱注意力介绍2.1 PSA金字塔光谱注意力结构图2.2 PSA模块的作用：2.3 PSA模块的原理2.4PSA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_PSAttention.yaml🚀 创新改进2🔥: rtdetr-l-PSAttention.yaml🚀 创新改进3🔥: rtdetr-l-HGBlock_PSAttention.yaml🚀 创新改进4🔥: rtdetr-l-ResNetLayer_PSAttention.yaml🚀 创新改进5🔥: rtdetr-r18-BasicBlock_PSAttention.yaml🚀 创新改进6🔥: rtdetr-r18-PSAttention.yaml🚀 创新改进7🔥: rtdetr-r18-AIFI_PSAttention.yaml🚀 创新改进8🔥: rtdetr-r50-BottleNeck_PSAttention.yaml🚀 创新改进9🔥: rtdetr-r50-PSAttention.yaml🚀 创新改进10🔥: rtdetr-r50-AIFI_PSAttention.yaml六、正常运行二、PSA金字塔光谱注意力介绍摘要：在高光谱图像（HSI）分类领域，空间特征与光谱特征的高度维度性及复杂耦合关系，给现有深度学习方法在精度、泛化能力和计算效率方面带来了严峻挑战。研究人员近期尝试采用卷积神经网络（CNN）和基于Transformer的方法来克服这些局限：但CNN的有限感受野难以有效建模长距离依赖关系；而Transformer则面临高昂的计算成本以及在高维数据处理中的低效问题。受这些局限性启发，状态空间模型（SSM）Mamba展现出作为序列与依赖关系建模高效替代方案的巨大潜力。在此基础上，我们提出HyPyraMamba这一创新架构，旨在有效解决上述难题。该架构整合了金字塔式光谱注意力（PSA）模块以捕捉多尺度关键光谱特征，从而降低光谱冗余带来的干扰；开发了自适应专家级深度卷积（AEDC）模块以增强模型表达多尺度空间-光谱特征的能力，并设计了序列建模模块Mamba。在Mamba模块中，我们通过空间分支与光谱分支的协同作用，显著提升了空间结构与光谱相关性的建模效果。针对四个基准H
