【DEIM创新改进】全网独家创新、注意力改进篇 | SCI一区 2025 | DEIM引入FSSA傅里叶域稀疏自注意力，助力遥感小目标检测、目标检测、红外小目标检测有效涨点

一、本文介绍

🔥本文给大家介绍FSSA模块改进DEIM网络模型，能够显著提升模型的目标检测性能，特别是在处理高频纹理、复杂背景和细节恢复方面。FSSA通过傅里叶变换和稀疏自注意力机制增强了全局特征建模能力，提升了图像细节的重建，尤其是在小物体和复杂环境中。它有效地抑制噪声，减少计算复杂度，并改善模型对细小特征的敏感度，从而提高检测精度、鲁棒性和效率，尤其适用于遥感图像和高噪声环境中的目标检测任务。

🔥DEIM创新改进目录：全新DEIM有效涨点改进目录 | 包含各种最新顶会顶刊：卷积模块、注意力模块、特征融合模块、有效特征聚合提取模块，上采样模块、下采样模块，二次创新模块、独家创新，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DEIM创新改进专栏地址：全网独家DEIM创新改进高效涨点+永久更新中（至少500+创新改进🗡剑指小论文、大论文）+小白也能简单高效跑实验+容易发各种级别小论文

本文目录

一、本文介绍

二、FSSA模块介绍

2.1 FSSA模块结构图

2.2 FSSA模块的作用

2.3 FSSA模块的原理

2.4 FSSA模块的优势

三、完整核心代码

四、手把手教你添加DEIM创新改进模块和配置改进点步骤

五、创建涨点yaml配置文件

🚀 创新改进1: deim_hgnetv2_n+FSSA.yml

🚀 创新改进2: deim_hgnetv2_s+FSSA.yml

🚀 创新改进3: deim_hgnetv2_l+FSSA.yml

六、正常运行

七、本文总结

 

二、FSSA模块介绍

摘要：超分辨率（SR）是一个不适定的问题，因为一个低分辨率图像可能对应多个高分辨率图像。在低分辨率图像中，高频细节显著丢失。现有基于深度学习的SR模型在重建低频和常规纹理方面表现出色，但往往难以实现高质量的高频纹理重建。这些模型对不同的纹理区域存在偏向，导致在各个区域的重建不平衡。为了应对这个问题并减少模型对不同纹理模式的偏向，本文提出了一种频率感知的SR方法，通过融合局部数据分布来改善高频纹理的重建。首先，我们引入了频率感知变换器（FAT），增强了基于变换器的模型提取频域和全局特征的能力。此外，我们设计了一种基于局部极值和方差的损失函数，引导模型通过关注局部数据分布来重建更为真实的纹理细节。最后，我们构建了一个高质量的遥感SR数据集，命名为RSSR25。我们还发现，去噪算法可以作为有效的增强方法，用于现有公共数据集，从而提升模型的性能。在多个数据集上的广泛实验表明，所提出的FAT在保持较高失真度度量得分的同时，显著提高了感知质量，并优于当前最先进的算法。