YOLO26涨点改进 | 全网独家Conv改进篇 | SCI 一区 2025 | FourierConv卷积增强YOLO26的全局感知，细节复原，在小目标和目标边缘的检测方面，实现更精确的目标检测性能

一、本文介绍

🔥全局感知，细节复原：FourierConv卷积增强YOLO26的强大之处！

本文介绍将FourierConv卷积应用于YOLO26目标检测模型，可以显著提升模型的全局感受野，帮助捕捉长距离依赖和复杂背景信息，同时提高细节恢复能力，尤其在小物体和物体边缘的检测上表现更好。FCB通过频域卷积有效降低了计算复杂度，同时增强了模型的适应性，使其在多种复杂场景下（如遮挡、多尺度物体等）表现更鲁棒，从而提升了YOLO26在精度和效率上的整体性能，适用于实时目标检测任务。具体怎么使用请看全文！

🔥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、FourierConv模块介绍

2.1 网络结构图

2.2 FourierConv模块的作用

2.3 FourierConv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 :

🚀 创新改进2 :

六、正常运行

二、FourierConv模块介绍

摘要：从欠采样的磁共振成像（MRI）信号重建图像可以显著减少扫描时间并改善临床实践。然而，基于卷积神经网络（CNN）的方法在MRI重建中虽然表现出色，但由于其受限的感受野（RF），可能会面临捕捉全局特征的限制。这在重建中尤为关键，因为伪影是全局分布的。最近，视觉变换器（Vision Transformers）的进展进一步强调了大感受野的重要性。在本研究中，我们提出了一种新颖的全局傅里叶卷积块（FCB），通过将常规的空间域卷积转换为频域卷积，提供了全图像的感受野，并且具有低计算复杂度。有效感受野和训练后的卷积核的可视化结果表明，FCB在实践中提高了重建模型的感受野。我们在四种流行的CNN架构上评估了提出的FCB，并在脑部和膝部MRI数据集上进行了测试。使用FCB的模型在PSNR和SSIM指标上优于基准模型，且表现出了更多的细节和纹理恢复。