一、本文介绍🔥本文给大家介绍使用 WPAF小波相位-振幅融合模块模块 改进YOLO26网络模型，通过在特征提取或特征融合阶段更充分地利用频域信息，从而增强目标边缘、纹理和结构细节表达。其核心作用是通过小波变换将特征分解为低频结构信息和高频细节信息，再利用相位与幅度的自适应融合方式强化不同模态或不同特征层之间的互补关系，使模型既能保持整体轮廓和光照稳定性，又能突出小目标、边界目标和复杂纹理区域。相比普通卷积、简单拼接或相加融合，WPAF 更有利于减少光照变化、阴影和背景干扰带来的影响，提高 YOLO26 对小目标、弱目标和边界模糊目标的检测能力，同时增强复杂遥感场景下的定位精度和检测鲁棒性。🔥欢迎订阅我的专栏、带你学习使用最新-最前沿-独家YOLO26创新改进！🔥YOLO26专栏改进目录：全新YOLO26改进专栏包含卷积、主干网络、各种注意力机制、检测头、损失函数、Neck改进、小目标检测、二次创新模块、多种组合创新改进、全网独家创新等创新点改进全新YOLO26专栏订阅链接：全新YOLO26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、WPAF小波相位-振幅融合模块模块介绍2.1 WPAF小波相位-振幅融合模块模块结构图2.2WPAF 模块的作用：2.3 WPAF 模块的原理2.4WPAF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🔥: yolo26_WPAF.yaml🚀创新改进2🔥: yolo26_WPAF-2.yaml🚀创新改进3🔥: yolo26_WPAF-3.yaml六、正常运行二、WPAF小波相位-振幅融合模块模块介绍摘要：遥感图像的语义分割仍面临诸多挑战：类内差异显著、类间相似度高，且需要实现轻量级部署。传统的单一架构模型和同质化协作框架难以在局部细节提取与全局上下文建模之间取得平衡。为解决这些局限，我们提出了异构协作学习框架HCL-Net，该框架融合了卷积神经网络与Transformer架构。HCL-Net包含两个互补的学生网络：基于ResNet18并配备小波相位-振幅融合模块（WPAFB）以捕捉多频信息的频域局部细节网络（FLDNet），以及基于DFormer-T主干网络并集成动态纹理-边缘感知模块（DTEP）以实现鲁棒全局上下文建模的空间域全局结构网络（SGSNet）。该双协同策略通过以下方式增强网络间的知识迁移：1）双向特征重建（BFR），利用Gram矩阵对齐实现高阶统计特征对齐，并通过变分信息蒸馏（VID）确保特征空间一致性；2）区域像素级对比学习，既能提升类内紧凑性，又能减少类间混淆。在Vaihingen数据集上