一、本文介绍🔥本文给大家介绍使用 STSAM协同时空注意力融合模块 改进RT-DETR网络模型，STSAM 是 空间域特征增强模块，通过全局跨时相注意力和局部坐标注意力的并行处理，能有效聚焦真实变化目标，强化边界和结构细节，同时兼顾训练稳定性，为后续浅层特征融合提供高质量特征输入，从而提高高分辨率遥感目标检测的精度和鲁棒性。🔥欢迎订阅我的专栏、带你学习使用最新-最前沿-独家RT-DETR创新改进！🔥含3种rtdetr基准创新改进点助力高效涨点！🔥RT-DETR创新改进目录：全新RT-DETR 有效涨点改进目录 | 包含各种卷积、主干改进、各种注意力机制、Neck特征融合改进、损失函数、AIFI创新改进、独家创新、小目标检测、特殊场景检测等最全大论文及小论文必备创新改进点🔥全新RT-DETR创新改进专栏地址：最全RT-DETR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、STSAM协同时空注意力融合模块介绍2.1 STSAM协同时空注意力融合模块结构图2.2 STSAM模块的作用：2.3 STSAM模块的原理2.4STSAM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✨:rtdetr-l-STSAM.yaml🚀创新改进2✨: rtdetr-r18-STSAM.yaml🚀创新改进3✨:rtdetr-r50-STSAM.yaml六、正常运行二、STSAM协同时空注意力融合模块介绍摘要：高分辨率遥感图像中的变化检测（CD）是地球观测应用的核心技术，但其效能常受两大关键挑战制约。首先，模型常将时间变化（如光照条件、季节更替）导致的辐射度差异误判为真实变化，导致误报现象普遍存在。其次，深度抽象特征与浅层细节特征之间存在显著语义鸿沟，阻碍了二者有效融合，最终导致边界划分不清晰。为深入解决这些问题，我们提出频率-空间协同门控网络（FSG -Net）这一创新范式，旨在系统性地区分语义变化与干扰性波动。具体而言， FSG -Net首先在频域中运行：差异感知小波交互模块（DAWIM）通过智能处理不同频分量来自适应抑制伪变化；随后，协同时空注意力模块（STSAM）在空间域中增强优化特征，显著提升真实变化区域的显著性；最后，轻量级门控融合单元（LGFU）利用高层次语义信息选择性过滤并整合浅层特征。在CDD、 GZ -CD和 LEVIR -CD基准测试中的全面实验验证了 FSG -Net的优越性，其F1分数分别