一、本文介绍⭐本文在YOLO26模型中引入PPA并行化补丁感知注意力模块，通过局部块感知、全局块感知和串行卷积分支并行提取不同尺度和不同层次的目标特征，使网络在保留小目标边缘、纹理和局部细节的同时获得更丰富的上下文信息，从而减少小目标在深层特征提取和多次下采样过程中的信息丢失。 同时，PPA利用任务相关特征选择、通道注意力和空间注意力对融合后的特征进一步筛选和增强，使YOLO26更加关注目标区域及有效特征通道，降低复杂背景和冗余信息的干扰，有利于提升小目标、弱特征目标和复杂背景目标的分类与定位能力。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、PPA并行化补丁感知注意力介绍2.1，PPA并行化补丁感知注意力的结构图2.2，PPA并行化补丁感知注意力的核心思想2.3，PPA并行化补丁感知注意力的作用2.4，PPA并行化补丁感知注意力的原理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模型文件创新改进版本1🚀创新改进版本2🚀六、成功运行结果演示二、PPA并行化补丁感知注意力介绍摘要：红外小目标检测是一项重要的计算机视觉任务，涉及对红外图像中微小物体进行识别与定位；这类红外图像通常仅包含少量像素。然而，由于目标尺寸极小且红外图像背景通常较为复杂，该任务面临诸多挑战。本文提出一种名为 HCF-Net 的深度学习方法，通过多个实用模块显著提升了红外小目标检测的性能。具体而言，该方法包含并行块感知注意力（PPA）模块、维度感知选择性整合（DASI）模块以及多扩张通道细化（MDCR）模块。PPA 模块采用多分支特征提取策略，用于捕获不同尺度和层级上的特征信息；DASI 模块支持自适应通道选择与融合；而 MDCR 模块则通过多个深度可分离卷积层捕捉不同感受野范