一、本文介绍⭐本文在YOLO26模型中引入PSFM深度语义融合模块，利用基于交叉注意力的深层语义融合机制，对不同来源或不同分支的高级特征进行全局关联建模，使网络不再依赖简单相加或拼接，而是根据特征之间的语义相关性主动选择和聚合更有价值的信息，从而增强目标与背景之间的区分能力以及复杂场景下的上下文建模能力。论文中的PSFM首先增强深层特征，再利用共享查询分别建立不同特征之间的注意关系，并进行交叉式信息补充，使融合结果能够同时保留各分支自身有效信息和来自另一分支的全局语义信息。将这一机制迁移到YOLO26后，可用于加强颈部网络或深层特征融合阶段的语义交互，有利于提升多尺度目标、小目标、遮挡目标和复杂背景目标的分类与定位能力，同时扩大有效感受范围并增强目标上下文表达。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、PSFM深度语义融合模块介绍2.1，PSFM深度语义融合模块的结构图2.2，PSFM深度语义融合模块的核心思想2.3，PSFM深度语义融合模块的作用2.4，PSFM深度语义融合模块的原理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🚀创新改进版本3🚀六、成功运行结果演示二、PSFM深度语义融合模块介绍摘要：图像融合旨在将源图像的互补特征整合到单一的融合图像中，从而更好地服务于人类视觉观察与机器视觉感知。然而，现有大多数图像融合算法主要侧重于提升融合图像的视觉吸引力。尽管存在一些基于语义驱动的方法，这些方法考虑了下游应用的语义需求，但它们均未能充分展现图像级融合相较于特征级融合所具有的潜力——后者直接在多模态特征上而非在融合图像上执行高层视觉任务。为克服这些局限性，本文提出一种基于渐进式语义注入与场景保真度约束的实用红外与可见光图像融合网络，命名为PSFusion。首先，稀疏语义感知分支提取充分的语义特征，随后通过语义注入模块将这些特征渐进式地整合到融合网络中，以满足高层视觉