0. 前言
本文介绍SAMC结构感知多上下文注意力模块，并将其集成到ultralytics最新发布的YOLO26目标检测算法中，构建C2PSA_SAMC创新模块。SAMC是一种专为结构感知设计的双注意力机制，通过通道-空间协同注意力与多尺度上下文融合，旨在解决医学图像中低对比度、边界模糊和类间差异细微等固有挑战。将SAMC嵌入YOLOv26的C2PSA模块中，能够显著增强模型对目标边缘与结构细节的感知能力，使模型在保留实时推理速度的同时，精准捕捉病灶轮廓、器官边界等关键解剖结构，尤其适用于超声影像分析、病理切片检测等对结构完整性与判别精度要求严苛的临床辅助诊断场景，有效缓解因图像噪声和边界模糊导致的漏检与误检问题。
专栏链接：YOLO系列算法改进专栏链接
专栏文章：YOLO26改进系列 | 卷积篇、轻量化、注意力、损失函数、Backbone、SPPF、C2PSA、Neck、检测头全方面保姆级优化合集 | 同样适配YOLOv11改进！！！
目录
0. 前言
1. SAMC注意力简介
2. SAMC注意力原理与创新点
🧠 SAMC注意力基本原理
🎯 SAMC注意力创新点
3. 具体改进步骤
🍀🍀步骤1：创建C2PSA_SAMC.py文件
🍀🍀步骤2：tasks.py文件修改
🍀🍀步骤3：创建YAML配置文件
🍀🍀步骤4：新建train.py文件训练模型
🍀🍀步骤5：模型结构打印结果
1. SAMC注意力简介
超声标准平面识别对于疾病筛查、器官评估和生物测量等临床任务至关重要。然而，现有方法未能有效利用浅层结构信息，且难以通过图像增强生成的对比样本捕捉细粒度语义差异，最终导致超声标准平面对结构和判别细节的识别效果欠佳。为解决这些问题，本文提出SEMC，一种新颖的结构增强混合专家 对比学习框架，将结构感知特征融合与专家引导对比学习相结合。具体而言，本文首先引入一种新颖的语义-结构融合模块（SSFM），通过有效对齐浅层和深层特征，利用多尺度结构信息增强模型对细粒度结构细节的感知能力。然后，设计了一种新颖的混合专家对比识别模块（MCRM），通过混合专家机制对多层次特征进行分层对比学习和分类，进一步提升类间可分性和识别性能。更重要的是，本文还构建了一个大规模、精细标注的包含六个标准平面的肝脏超声数据集 。在我们内部数据集和两个公共数据集上的大量实验结果表明，SEMC在各个指标上均优于最新的最先进方法。
原始论文：https://arxiv.org/pdf/2511.12559
原始
