一、本文介绍⭐本文在YOLO26中引入GLCDM（全局—局部上下文解耦模块），可分别建模长距离场景依赖与局部目标细节，并通过跨注意力实现协同融合，从而增强遮挡目标、密集目标、小目标及复杂背景目标的特征表达。该模块有助于利用周围上下文推断被遮挡区域，保留目标边缘、纹理和局部结构，减少相似背景造成的误检与漏检。相比单一卷积或全局注意力，GLCDM兼顾感受野、定位精度和特征判别性，可提升YOLO26的检测精度、定位能力及复杂场景鲁棒性。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、GLCDM全局—局部上下文解耦模块介绍2.1，GLCDM全局—局部上下文解耦模块的结构图2.2，GLCDM全局—局部上下文解耦模块的核心思想2.3，GLCDM全局—局部上下文解耦模块的作用2.4，GLCDM全局—局部上下文解耦模块的原理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5.1 改进yaml版本1🚀5.2改进yaml版本2🚀六、成功运行结果演示二、GLCDM全局—局部上下文解耦模块介绍摘要：从遥感影像（RSI）中提取精确的道路信息仍面临诸多挑战，主要源于相似物体的干扰及周围环境造成的遮挡。为缓解这些问题，我们提出了一种新型道路提取网络——CRNet，旨在提升所提取道路网络的精度与拓扑连通性。具体而言，该网络引入了一个全局-局部上下文解耦模块（GLCDM），用于显式建模长距离上下文依赖关系，同时保留细粒度的局部道路特征，从而增强模型在遮挡区域的推理能力。此外，还将一个语义-空间特征优化模块（SSFRM）集成到跳跃连接中，利用深层语义特征指导浅层特征图中背景噪声的抑制，在通道和空间维度上均能有效处理，确保解码器能够获