一、本文介绍⭐本文在YOLO26模型中引入HWD小波下采样模块，HWD是基于Haar小波变换的下采样方式替代部分传统步长卷积或池化操作，在降低特征图空间分辨率的同时尽可能保留目标的边界、纹理和局部细节信息，从而减少连续下采样导致的小目标特征丢失。 HWD通过将空间信息分解为低频主体信息和多个方向的高频细节信息，并进一步进行特征筛选与通道调整，使YOLO26骨干网络能够获得更加完整和具有判别性的特征表示，尤其有利于提升小目标、弱纹理目标和复杂背景目标的识别与定位能力。HWD对小尺度对象、目标边界和形状保持具有明显改善，同时相比传统步长卷积具有较好的计算效率，因此将其用于YOLO26可以在控制额外计算开销的情况下增强前端特征提取质量和检测鲁棒性。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、HWD小波下采样模块介绍2.1，HWD小波下采样模块的结构图2.2，HWD小波下采样模块的核心思想2.3，HWD小波下采样模块的作用2.4，HWD小波下采样模块的原理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模型文件创新改进yaml文件六、成功运行结果演示二、HWD小波下采样模块介绍摘要：下采样操作（如最大池化或步进卷积）在卷积神经网络（CNN）中被广泛采用，用于聚合局部特征、扩大感受野以及降低计算开销。然而，在语义分割任务中，对局部邻域进行池化操作可能会导致重要空间信息的丢失——而这些信息对于像素级预测至关重要。为解决这一问题，我们引入了一种简单且有效的池化操作——基于Haar小波的下采样（HWD）模块。该模块可轻松集成到CNN中，以提升语义分割模型的性能。 HWD 的核心思想是应用Haar小波变换来降低特征图的空间分辨率，同时尽可能保留更多信息。此外，为了探究 HWD 的优势，我们提出一种名为“特征熵指数”（FEI）的新指标，用于衡量在CNN中进行下采样后信息不确定性
