一、本文介绍🔥本文给大家介绍使用CDPM跨域混合解析模块改进YOLO26网络模型，CDPM 一方面通过空间解析分支保留目标边界、轮廓和位置细节，另一方面通过低频池化和高频差分提取整体结构与边缘突变信息，并结合 Mamba 对频率特征进行长距离依赖建模，最后将空间特征、高频特征和低频特征融合输出。用于改进 YOLO26 时，该模块能够增强模型对小目标、细长目标、遮挡目标和复杂背景目标的感知能力，缓解仅依赖空间卷积带来的背景误判和目标断裂问题，提高目标定位精度、特征连续性和抗干扰能力；同时其高频提取方式较为轻量，有利于在提升检测鲁棒性的同时控制计算开销。🔥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、CDPM跨域混合解析模块介绍2.1 CDPM跨域混合解析模块结构图2.2CDPM跨域混合解析模块的作用：2.3 CDPM跨域混合解析模块的原理2.4CDPM跨域混合解析模块的优势三、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🔥:🚀创新改进2🔥:六、正常运行二、CDPM跨域混合解析模块介绍摘要：从遥感图像（RSI）中提取道路信息在众多实际应用中发挥着重要作用。主要挑战源于遮挡现象以及道路与背景之间的高度视觉相似性，这使得识别过程尤为复杂，尤其是在复杂场景中。现有方法主要通过复杂的架构设计来增强特征表示，却往往忽视空间特征固有的敏感性。为解决这一问题，我们提出了一种新型网络模型——FSNet，该模型同时探索频域和空间域的特征表示。该网络包含两个核心组件：联合域增强模块（JDEM）和跨域混合解析器模块（CDPM）。具体而言， JDEM 在频域中利用Mamba网络捕捉不同光谱波段间的全局关系，从而缓解道路遮挡问题；而 CDPM 则分别解析频域与空间特征，充分发挥各自优势并有效整合，提升整体性能。基于公开数据集的实验