一、本文介绍
🔥本文给大家介绍FSSA傅里叶域稀疏自注意力模块改进YOLO26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。
🔥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、FSSA傅里叶域稀疏自注意力模块介绍
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、手把手教你配置模块和修改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tasks.py文件
五、创建涨点yaml配置文件
🚀 创新改进1 :
🚀 创新改进2 :
🚀 创新改进3 :
六、正常运行
二、FSSA傅里叶域稀疏自注意力模块介绍
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。
