YOLO26下采样模块改进：MWHL混合策略提升小目标检测

1. 为什么需要改进YOLO26的下采样模块？

在目标检测领域，下采样操作一直是个双刃剑。我最近在红外小目标检测项目中深有体会——传统最大池化虽然计算高效，但在处理3×3像素以下的微小目标时，特征图经过几次下采样后，目标信号几乎完全消失。这让我开始寻找更优的下采样方案。

小波变换理论上是个不错的选择，它通过高低频分离能更好地保留结构信息。但实际测试发现，纯小波下采样在YOLO26上会导致约15%的mAP下降，特别是对中大型目标的检测性能影响显著。这引出了本文要介绍的MWHL（Max-Wavelet Hybrid Layer）混合下采样模块，它创新性地将两种机制的优势互补：

• 最大池化：保留强响应特征，维持网络对显著性目标的检测能力
• Haar小波变换：通过低频分量保留结构信息，减少小目标特征丢失

在TGRS 2026论文的对比实验中，MWHL在DOTA遥感数据集上对小目标（<32×32像素）的检测召回率提升了8.3%，而对常规尺寸目标的检测精度保持稳定。这种平衡性改进正是工程实践中最需要的。

2. MWHL模块的架构设计与实现细节

2.1 双分支并行结构解析

MWHL的核心在于其并行处理架构。不同于简单的串行堆叠，该模块采用双分支设计：

python复制class MWHL(nn.Module):
    def __init__(self, channel):
        super().__init__()
        # 最大池化分支
        self.maxpool = nn.MaxPool2d(2, stride=2)
        
        # Haar小波分支
        self.haar = HaarWavelet(channel)
        
        # 自适应权重融合
        self.fusion = nn.Conv2d(channel*2, channel, 1)

    def forward(self, x):
        x_max = self.maxpool(x)
        x_wave = self.haar(x)
        return self.fusion(torch.cat([x_max, x_wave],