一、本文介绍
🔥本文给大家介绍使用 DFAM差异特征频域注意力模块 改进YOLO26网络模型，是在特征提取阶段增强模型对关键目标信息的表达能力，使其能够更有效地区分目标与复杂背景。通过引入频域分析与注意力机制，DFAM能够强化细节与边缘特征，提高对小目标和弱特征目标的感知能力，同时增强全局建模能力，从而在复杂环境下保持更稳定的检测表现。其主要优势体现在能够抑制光照、噪声等干扰，提升目标定位精度和检测准确率，但同时也可能带来一定的计算开销，需要在精度与实时性之间进行权衡。
🔥欢迎订阅我的专栏、带你学习使用最新-最前沿-独家YOLO26创新改进！🔥
YOLO26专栏改进目录：全新YOLO26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、多种组合创新改进、全网独家创新等创新点改进
全新YOLO26专栏订阅链接：全新YOLO26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、DFAM差异特征频域注意力模块介绍
2.1 DFAM差异特征频域注意力模块结构图
2.2 DFAM模块的作用：
2.3 DFAM模块的原理
2.4 DFAM模块的优势
三、完整核心代码
四、手把手教你配置模块和修改tasks.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tasks.py文件
五、创建涨点yaml配置文件
🚀 创新改进1🔥: yolo26_DFAM.yaml
🚀 创新改进2🔥: yolo26_DFAM-2.yaml
🚀 创新改进3🔥: yolo26_DFAM-3.yaml
六、正常运行
二、DFAM差异特征频域注意力模块介绍
摘要：随着城市化进程的持续推进，建筑变化检测在城市规划、灾害管理等领域的应用价值日益凸显。然而现有变化检测方法在空间域差异特征表示和多尺度差异捕捉方面仍存在显著局限。为解决这一问题，我们提出了一种新型差异特征动态融合网络（DF2Net），旨在提升遥感影像中建筑变化检测的准确性。DF2Net通过协同设计三个关键模块实现变化区域的有效检测：差异特征频域注意力模块（DFAM）、全局-局部特征动态融合模块（GFDM）以及伪标签深度监督模块（PDM）。具体而言， DFAM 结合傅里叶变换与自注意力机制从频域提取关键信息，从而优化变化区域的特征表征； GFDM 通过动态融合全局与局部特征有效捕捉多尺度变化信息；PDM则通过引入伪标签监督机制优化解码器中间层的特征学习。在 LEVIR -CD、 WHU -CD和 HRCUS -CD三大主流建筑变化检测
