一、本文介绍⭐本文介绍在YOLO26中引入LPRM局部像素关系特征融合模块，可通过动态学习邻域像素之间的关联，对颈部融合特征或检测头输出进行局部细化。该模块利用不同膨胀率逐步扩大感受野，将可靠区域的边缘、纹理和语义信息传播至特征较弱区域，从而抑制上采样误差和背景噪声，增强目标轮廓与空间连续性。相比固定卷积，LPRM具备空间自适应和多尺度建模优势，有助于提高小目标、密集目标及边界模糊目标的定位精度，减少漏检与误检，同时结构轻量，便于集成到YOLO26中。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、LPRM局部像素关系特征融合模块介绍2.1，LPRM局部像素关系特征融合模块的结构图2.2，LPRM局部像素关系特征融合模块的核心思想2.3，LPRM局部像素关系特征融合模块的作用2.4，LPRM局部像素关系特征融合模块的原理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5.1 改进yaml版本1🚀5.2 改进yaml版本3🚀5.3改进yaml版本2🚀六、成功运行结果演示二、LPRM局部像素关系特征融合模块介绍摘要：高空间频率信息（包括纹理等精细细节）对语义分割的准确性具有显著贡献。然而根据奈奎斯特-香农采样定理，高频成分在通过步长卷积等下采样层时易产生混叠或失真现象。为此，我们提出了一种新型空间频率调制（SFM）方法：在下采样前将高频特征调制至较低频率，随后在上采样时进行解调。具体而言，我们采用自适应重采样（ARS）实现调制，并设计了一个轻量级扩展模块，能够对高频区域进行密集采样以放大信号尺寸，从而依据频率缩放特性降低其频率。同时，我们提出多尺度自适应上采样（MSAU）方案，通过非均匀上采样解调调制后的特征并恢复高频信息；该模块进一步通过显式利用不同尺度下密集与稀疏重采样区域之间