一、本文介绍本文记录的是利用SSA序列洗牌注意力优化YOLO26的目标检测网络模型。SSA（Sequence Shuffle Attention）通过多向序列通道拼接洗牌、分组卷积自适应权重生成与反洗牌加权融合结合，实现NSS嵌套S扫描生成异构序列的通道级精准自适应聚合。本文利用SSA模块，先将四组不同扫描方向特征沿通道拼接并洗牌重组，借助分组卷积挖掘各组通道重要性生成注意力权重，再反向还原通道排布并对原始序列加权融合，对图像清晰纹理、边缘等有效特征进行权重增强，同步压低退化噪声、模糊区域无效通道的贡献，在多序列融合阶段保留图像局部性与空间连续性，规避简单相加造成特征混淆、全局自注意力算力冗余缺陷，显著提升图像超分、去噪、去模糊、去雾任务的细节复原精度与模型推理速度。专栏目录：YOLO26改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进专栏地址：YOLO26改进专栏——以发表论文的角度，快速准确的找到有效涨点的创新点！文章目录一、本文介绍二、SSA介绍2.1 设计出发点2.2 模块结构2.3 模块优势三、SSA的实现代码四、创新模块4.1 改进点14.2 改进点2⭐五、添加步骤5.1 修改一5.2 修改二5.3 修改三六、yaml模型文件6.1 模型改进版本一6.2 模型改进版本二⭐七、成功运行结果二、SSA介绍2.1 设计出发点基于Mamba的图像恢复网络依靠多方向NSS嵌套S扫描将2D图像转为多组1D序列，但传统序列聚合方式仅采用逐像素简单相加，存在两大核心缺陷：四组不同扫描方向生成的序列携带上下文信息差异巨大，直接相加会混淆互补特征，丢失条带边界、纹理连续性信息；缺乏跨序列、对应通道的自适应权重分配能力，有效纹理、边缘特征与退化噪声无区分叠加，图像超分、去噪、去雾等任务细节恢复效果差；传统全局自注意力复杂度为O ( N 2 ) O(N^2)O(N
)
