一、本文介绍本文记录的是利用CGA Fusion 模块改进 YOLO26 的多模态融合部分。CGAFusion（Content-Guided Attention Fusion）通过内容引导注意力生成空间权重，引导高低层特征的自适应融合。本文利用CGA Fusion模块，通过内容引导注意力生成空间权重，自适应地融合两个模态的特征，在特征融合阶段实现跨模态语义对齐与噪声抑制，增强对不同模态互补特征的利用能力，从而提升模型在多模态场景下的检测鲁棒性与准确性。专栏目录：《多模态模型改进》目录一览 | 专栏介绍 ，多模态的全方位改进，提供多模态模型改进完整项目包-开箱即用专栏地址：YOLO系列模型的多模态融合改进——极易上手、非常好发文的多模态改进教程！文章目录一、本文介绍二、CGA Fusion模块介绍2.1 CGA模块（Content-Guided Attention）2.1.1 设计出发点2.1.2 原理与结构2.1.3 优势2.2 CGA Fusion模块（CGA-Based Mixup Fusion Scheme）2.2.1 设计出发点2.2.2 原理与结构2.2.3 优势三、CGA Fusion的实现代码四、融合步骤5.1 修改一5.2 修改二5.3 修改三五、yaml模型文件5.1 中期融合⭐5.2 中-后期融合⭐5.3 后期融合⭐六、成功运行结果二、CGA Fusion模块介绍DEA-Net: Single image dehazing based on detail-enhanced convolution and content-guided attention2.1 CGA模块（Content-Guided Attention）2.1.1 设计出发点传统注意力机制（如FAM、CBAM）存在两大缺陷：无法处理特征级雾霾不均匀性：现有方法仅关注图像级雾霾分布（如空间注意力），忽略特征级通道间的雾霾差异。不同通道的特征编码不同语义（如边缘、纹理），需独立分配空间重要性图（SIM）。通道与空间注意力缺乏交互：传统模块（如FAM）顺序计算通道和空间注意力，未融合两者信息，导致特征校准不全面。目标：生成通道特定的空间重要性图（Channel-specific SIM），同时融合通道与空间注意力，提升特征表示能力。2.1.2 原理与结构CGA采用粗到细（Coarse-to-Fine）的两阶段注意力生成机制，结构如图所示：
