一、本文介绍🔥本文给大家介绍使用 TPDecoder拓扑保持解码器融合模块 改进YOLO26网络模型，主要作用是在 Neck 部分增强多尺度特征融合与空间结构保持能力，使模型在提取目标语义信息的同时更好地保留目标边界、轮廓和局部细节。TP Decoder 通过双分支特征增强模块强化全局语义与局部空间纹理，通过高低层特征融合模块整合深层语义特征和浅层细节特征，并利用类别层相关性建模与 Hilbert 曲线拓扑保持映射减少二维特征展开过程中的空间连续性破坏。用于改进 YOLO26 时，兼顾多尺度语义表达、边界细节恢复和空间拓扑连续性，同时采用轻量化融合设计，有助于在控制计算开销的基础上提升检测精度、定位稳定性、抗干扰能力和复杂场景下的鲁棒性。🔥欢迎订阅我的专栏、带你学习使用最新-最前沿-独家YOLO26创新改进！🔥YOLO26专栏改进目录：全新YOLO26改进专栏包含卷积、主干网络、各种注意力机制、检测头、损失函数、Neck改进、小目标检测、二次创新模块、多种组合创新改进、全网独家创新等创新点改进全新YOLO26专栏订阅链接：全新YOLO26创新改进高效涨点+永久更新中（至少500+改进）+高效跑实验发论文本文目录一、本文介绍二、TPDecoder拓扑保持解码器融合模块介绍2.1 TPDecoder模块结构图2.2TPDecoder模块的作用：2.3 TPDecoder模块的原理2.4TPDecoder模块的优势三、完整核心代码四、手把手教你配置模块和修改tasks.py文件1.首先在ultralytics/nn/newsAddmodules创建一个.py文件2.在ultralytics/nn/newsAddmodules/__init__.py中引用3.修改tasks.py文件五、创建涨点yaml配置文件🚀创新改进1🔥: yolo26_TPDecoder.yaml🚀创新改进2🔥: yolo26_TPDecoder-2.yaml🚀创新改进3🔥: yolo26_TPDecoder-3.yaml六、正常运行二、TPDecoder拓扑保持解码器融合模块介绍摘要：基于无人机的建筑缺陷分割仍面临诸多挑战，这主要源于复杂的表面纹理和光照变化。我们提出TPSegformer——一种能保持拓扑结构的分割框架，可有效缓解此类场景下的误分割问题。其解码器采用基于希尔伯特曲线的拓扑保真机制，在类别层级计算过程中确保空间连续性和边界精度；轻量级多尺度融合模块提升了语义表征质量，而全局上下文建模则增强了整体感知能力。在建筑缺陷数据集上的实验表明，TPSegformer性能优于现有分割方法，达到80.77%的平均交并比（mIoU）和90.22%的准确率（Acc）。在Dacl10k数据集上，该模型展现出强大的泛化能力，在不同材质和缺陷类型下均实现了44.27%的mIoU和60.32%的准确率。
