YOLO11 改进、魔改｜傅里叶残差通道注意力块FRCAB,通过频率域全局依赖捕捉与空间域残差通道注意力的协同，强化特征中的高频细节信息

最新推荐文章于 2025-11-23 12:19:16 发布

原创最新推荐文章于 2025-11-23 12:19:16 发布 · 1.3k 阅读

29 ·

CC 4.0 BY-SA版权

文章标签：

#YOLO #yolo11 #YOLOV11改进 #FRCAB #频域 #减少干扰 #注意力

YOLOV11魔改专栏收录该内容

118 篇文章

订阅专栏

在深度学习驱动的密集预测任务（如 salient object detection、图像分割、目标检测）中，模型常面临两大核心挑战：一是高频信息丢失与低频信息冗余，低分辨率编码器特征往往侧重低频语义信息（如物体大致类别、整体轮廓），而解码阶段需高频细节（如物体边缘、纹理、局部结构）以生成高精度结果，若无法有效筛选高频信息，易导致预测结果模糊、细节缺失；二是通道特征权重失衡，不同通道特征对任务的贡献度存在差异，简单平等对待所有通道会掩盖关键特征（如目标的独特纹理通道、边缘的梯度变化通道），降低模型对目标与背景的判别能力。

传统注意力机制（如 RCAB，Residual Channel Attention Block）虽能通过通道注意力优化特征权重，但仅在空间域操作，难以直接捕捉频率维度的全局依赖关系，对高频细节的强化能力有限。同时，随着模型深度增加，神经网络固有的 “光谱偏差”（倾向于学习易优化的低频模式，忽略难学习的高频模式）会进一步加剧高频信息的丢失问题。为解决这些痛点，FRCAB 结合快速傅里叶变换（FFT）的全局表征能力与残差通道注意力的优势，在频率域与空间域协同优化特征，为密集预测任务提供更高效的特征增强方案。

1.FRCAB原理

FRCAB 的核心原理是 **“频率域全局依赖捕捉 + 空间域残差特征增强”**，通过在频率维度挖掘通道间的全局关联，同时利用残差结构保留原始特征信息，实现对高频关键特征的优先强化与通道权重的自适应调整。

1. 频率域全局依赖挖掘：首先对输入特征进行通道维度的快速傅里叶变换（CFFT），将通道特征从空间域转换到频率域。在频率域中，每个频率分量对应特征的全局分布模式（高频分量对应细节、边缘，低频分量对应整体语义），通过提取频率域的振幅（反映特征强度）与相位（反映特征位置）信息，可直接捕捉跨通道的全局依赖关系（如不同通道中高频边缘的协同分布）。

2. 频率特征增强与逆变换：对频率域的振幅和相位分别施加增强操作（如通过 1×1 卷积与 LeakyReLU 组成的 CLC₁ 模块优化特征强度与位置精度），再通过逆通道傅里叶变换（ICFFT）将增强后的频率特征映射回空间域，此时的特征已融合全局频率信息，高频细节得到针对性强化。

3. 残差通道注意力与特征精炼：将频率增强后的特征与原始输入特征通过残差连接结合，避免特征信息丢失；同时引入全局平均池化（GAP）提取通道统计信息，通过通道注意力机制对不同通道的特征权重进行自适应调整，让模型重点关注对任务更关键的通道（如包含目标边缘、纹理的高频通道），最终通过 DNRU（包含深度可分离卷积、归一化、ReLU 与上采样）模块完成通道数压缩与特征上采样，输出精炼后的高分辨率特征。

2. FRCAB习作思路

1. 在目标检测中的优点

FRCAB 能显著提升目标检测模型对小目标、模糊目标及复杂背景下目标的检测精度。一方面，其频率域操作可针对性强化小目标的高频边缘与局部纹理特征（如小物体的轮廓梯度、细节纹理），解决传统检测模型对小目标 “特征模糊、易漏检” 的问题；另一方面，通道注意力机制能自适应抑制背景噪声通道（如复杂场景中的无关纹理通道），突出目标专属通道（如车辆的金属反光通道、行人的轮廓边缘通道），增强模型对目标与背景的判别能力，尤其在低光照、遮挡等恶劣环境下，可通过频率域全局依赖捕捉目标的完整特征模式，减少因局部特征缺失导致的误检与漏检。

2. 在图像分割中的优点

FRCAB 为图像分割提供了 “高频细节保留 + 全局特征协同” 的双重优势，有效提升分割结果的边缘精度与区域一致性。在频率域层面，其深度分解与增强操作可精准提取物体的高频边缘特征（如医学影像中器官的细微边界、自然场景中物体的轮廓纹理），避免传统分割模型常见的 “边缘模糊、分割不连续” 问题；在通道优化层面，通过全局通道注意力可协调不同通道的分割特征（如不同通道中同一物体的区域特征），确保分割区域的完整性与一致性，同时残差连接能保留低层级的原始特征信息，避免深层网络导致的细节丢失，尤其适用于精细分割任务（如语义分割中的小物体分割、实例分割中的目标部件分割）。

3. YOLO与FRCAB的结合

将 FRCAB 集成到 YOLO 系列模型中，可从细节捕捉与特征判别两方面提升检测性能：一是 YOLO 模型在处理小目标与细粒度目标时，常因高频细节不足导致边界框定位不准，FRCAB 的频率域增强能强化目标边缘与局部纹理，帮助模型更精准地预测边界框，降低定位误差；二是 YOLO 的特征融合模块（如 PANet、FPN）易受背景噪声干扰，FRCAB 的通道注意力可筛选关键特征通道，减少无关背景对检测的干扰，提升模型在复杂场景（如密集目标、杂乱背景）下的检测精度与鲁棒性。

4.FRCAB代码部分

YOLO11|YOLO12|改进| 傅里叶残差通道注意力块(FRCAB)，通过频域分析和通道注意力机制，提升小目标检测能力_哔哩哔哩_bilibili

YOLOv11模型改进讲解，教您如何修改YOLOv11_哔哩哔哩_bilibili

代码获取：YOLOv8_improve/YOLOV12.md at master · tgf123/YOLOv8_improve · GitHub

5. FRCAB到YOLOv11中

第一: 将下面的核心代码复制到D:\model\yolov11\ultralytics\change_model路径下，如下图所示。

第二：在task.py中导入包

第三：在task.py中的模型配置部分下面代码

第四：将模型配置文件复制到YOLOV11.YAMY文件中

第五：运行代码

from ultralytics.models import NAS, RTDETR, SAM, YOLO, FastSAM, YOLOWorld
import torch
if __name__=="__main__":



    # 使用自己的YOLOv8.yamy文件搭建模型并加载预训练权重训练模型
    model = YOLO("/home/shengtuo/tangfan/YOLO11/ultralytics/cfg/models/11/yolo11_FRCAM.yaml")\
        # .load(r'E:\Part_time_job_orders\YOLO\YOLOv11\yolo11n.pt')  # build from YAML and transfer weights

    results = model.train(data="/home/shengtuo/tangfan/YOLO11/ultralytics/cfg/datasets/VOC_my.yaml",
                          epochs=300,
                          imgsz=640,
                          batch=4,
                          # cache = False,
                          # single_cls = False,  # 是否是单类别检测
                          # workers = 0,
                          # resume=r'D:/model/yolov8/runs/detect/train/weights/last.pt',
                          amp = False
                          )