一、本文介绍🔥本文给大家介绍使用 CP-DMA双路径多头注意力模块 改进YOLO26网络模型，增强网络对目标中心区域、关键空间位置和通道特征的联合建模能力，使模型在特征提取或特征融合阶段不再平均关注整幅特征图，而是更加突出与目标判别相关的中心响应和有效上下文信息。CPDMA借鉴论文中“中心像素引导、空间路径与光谱/通道路径并行建模、逐元素乘法融合”的思想，一方面通过空间注意力强化目标区域与周围上下文之间的关系，抑制背景、遮挡和相邻目标带来的干扰；另一方面通过通道注意力建模不同特征通道之间的依赖，提升目标纹理、边缘和语义特征的表达能力。🔥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、CP-DMA双路径多头注意力模块介绍2.1 CP-DMA双路径多头注意力模块结构图2.2CP-DMA模块的作用：2.3 CP-DMA模块的原理2.4CP-DMA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_CPDMA.yaml🚀创新改进2🔥: yolo26_C2CPDMA.yaml🚀创新改进3🔥: yolo26_C3k2_CPDMA.yaml六、正常运行二、CP-DMA双路径多头注意力模块介绍摘要：高光谱图像分类（HSIC）的性能取决于空间信息与光谱信息的深度融合。尽管主流Transformer架构能够捕捉全局上下文，但往往忽视了“中心像素决定类别”这一关键归纳偏置特征，同时还会带来高昂的计算成本。此外，传统的线性融合策略（如拼接或元素级加法）难以捕捉空间维度与光谱维度之间的复杂非线性交互关系。为解决这些问题，本文提出了一种基于中心像素引导的双路径多头注意力Transformer（CPFormer）。该模型首先引入光谱-空间特征嵌入（SSFE）模块，在保留固有光谱特性的同时生成稳健的初始表征；随后提出基于中心像素引导的双路径多头注意力模块（CP-DMA）：空间路径以中心像素作为查询点，并结合二维高斯位置编码增强局部感知能力；光谱路径则采用深度可分离卷积和双向光谱衰减机制来确保光谱（通道）连续性。此外，CP-DMA通过元素级乘法实现空间-光谱融合，从而支持自适应且非线性的特征交互。信息平面分析进一步证实：