YOLOv11涨点改进 | 独家下采样创新改进篇 | TGRS 2024 | YOLOv11引入WTFD小波变换特征分解下采样模块,适合遥感图像分割任务、遥感目标检测任务有效涨点

一、本文介绍

🔥本文给大家介绍使用WTFD模块改进YOLOv11网络模型，能够显著提升目标检测的精度和鲁棒性，尤其在处理复杂背景、阴影、边缘和小物体检测时。WTFD通过Haar小波变换分解空间特征为低频和高频成分，引入频域信息，补充空间信息，增强了细节和语义特征的融合。这样，YOLOv11能够更好地识别物体的形态和细节，尤其是在复杂场景下，提升小物体的检测能力。该模块提高了模型的稳定性和计算效率，在不增加计算负担的情况下，优化了检测精度，适合实时检测任务。

专栏改进目录：YOLOv11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、C2PSA/C3k2二次创新改进、全网独家创新等创新点改进

全新YOLOv11-发论文改进专栏链接：全新YOLOv11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、WTFD模块介绍

WTFD 模块网络结构图

2.1 WTFD 模块作用：

2.2 WTFD 模块原理：

2.3 WTFD 模块优势：

三、核心代码

四、手把手教你添加 WTFD模块和修改task.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task.py文件 ：

 五、创建涨点yaml配置文件

🚀 创新改进1：yolov11n_WTFD.yaml 

🚀 创新改进2：yolov11n_WTFD2.yaml

六、正常运行！

---

 

二、WTFD模块介绍

摘要：为了充分利用空间信息进行分割，并解决遥感分割中处理灰度变化显著区域的挑战，我们提出了 SFFNet（空间与频域融合网络）框架。该框架采用两阶段网络设计：第一阶段使用空间方法提取特征，以获取具有充分空间细节和语义信息的特征；第二阶段在空间和频域中映射这些特征。在频域映射中，我们引入了小波变换特征分解器（WTFD）结构，该结构利用Haar小波变换将特征分解为低频和高频分量，并与空间特征结合。为了弥合频域特征与空间特征之间的语义差距，并促进重要特征选择以推动来自不同表示域的特征结合，我们设计了多尺度双表示对齐滤波器（MDAF）。该结构利用多尺度卷积和双交叉注意机制。综合实验结果表明，与现有方法相比，SFFNet在 mIoU 上表现优异，分别达到84.80%和87.73%。