【DEIM创新改进】全网独家、卷积创新改进篇 | CVPR 2024 | 引入SFSConv空间频率选择卷积改进DEIM，空间频率特征协同作用，助力目标检测，红外小目标检测有效涨点

一、本文介绍

🔥“更强、更准、更轻！SFSConv 改进DEIM模型，目标检测性能全面进阶！

本文介绍将 SFS‑Conv 模块集成到 DEIM 中进行目标检测，可以充分融合空间与频率信息，增强特征表达的多样性和判别力，同时保持模型的轻量化结构。SFS‑Conv 的空间–频率感知机制与 DEIM 的高阶特征建模（HyperACE）和跨层信息分发机制（FullPAD）形成互补，能够提升检测精度、泛化能力及对复杂场景（如小目标、纹理复杂、噪声干扰）的适应性，是一种在不显著增加计算负担的前提下有效提升模型性能的策略。具体怎么使用请看全文！

🔥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、SFSConv模块介绍

2.1 SFSConv模块网络结构图

2.2 SFSConv模块的作用

2.3 SFSConv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deim不同版本含多种创新改进yml文件

🚀创新改进1：deim_hgnetv2_n+SFSConv.yml

🚀创新改进2：deim_hgnetv2_s+SFSConv.yml

🚀创新改进3：deim_hgnetv2_l+SFSConv.yml

六、模型训练，正常运行

七、本文总结

---

二、SFSConv模块介绍

摘要：深度卷积神经网络 (DCNNs) 在合成孔径雷达 (SAR) 目标检测中取得了显著的性能，但这是以巨大的计算资源为代价的，部分原因是由于在单个卷积层中提取了冗余特征。最近的研究要么深入研究模型压缩方法，要么专注于精心设计的轻量级模型，但这两种方法都会导致性能下降。在本文中，我们提出了一种用于 SAR 目标检测的高效卷积模块，称为 SFS-Conv，它通过分流-感知-选择策略来增加每个卷积层中的特征多样性。具体来说，我们将输入特征图分流到空间和频率方面。前者通过动态调整感受野来感知各种对象的上下文，而后者通过 fractional Gabor transformer 捕获丰富的频率变化和纹理特征。为了自适应地融合来自空间和频率方面的特征，我们提出了一种无参数的特征选择模块，以确保保留最具代表性和最独特的信息。借助 SFS-Conv，我们构建了一个轻量级的 SAR 目标检测网络，称为 SFS-CNet。实验结果表明，SFS-CNet 在一系列 SAR 目标检测基准测试中优于最先进 (SoTA) 的模型，同