一、本文介绍
🔥本文给大家介绍使用 MFPM 多频感知融合模块模块改进 YOLO26 网络模型，可以在多尺度特征融合阶段显著提升特征的判别质量。MFPM 通过频域建模与多频选择机制，对高层语义特征进行重标定，有效抑制复杂背景和目标样噪声，同时放大真实目标在频谱中的稳定响应，使融合后的特征更加“干净、聚焦”。在不显著增加计算开销的前提下，MFPM 能够降低误检率、增强小目标和弱目标的检测能力，并提升整体检测鲁棒性，尤其适用于红外、遥感等高噪声场景，同时具备良好的模块独立性和工程可集成性，适合在 YOLO26 中作为可即插即用的特征增强模块使用。
🔥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、MFPM多频感知融合模块介绍
详细网络结构图：
2.1 MFPM多频感知融合模块结构图
2.2 MFPM多频感知融合模块作用：
2.3 MFPM多频感知融合模块原理
2.4 MFPM多频感知融合模块优势
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_MFPM.yaml
🚀 创新改进2: yolo26_MFPM-2.yaml
🚀 创新改进3: yolo26_MFPM-3.yaml
六、正常运行
二、MFPM多频感知融合模块介绍
摘要：红外小目标检测（IRSTD）在民用和军事领域都发挥着关键作用，但仍面临目标信号微弱、噪声干扰复杂以及形状完整性难以保持等固有挑战。尽管在常规小目标检测方面已取得显著进展，但现有方法往往难以在检测精度与误报率之间取得平衡，这主要源于对低强度信号的敏感度不足、对干扰噪声的感知不准确以及边缘细化不足等问题。为解决这一困境，我们提出ISGLNet模型，其核心是采用U型架构专门用于保留显著目标响应，并结合引导学习策略逐步增强目标-噪声区分能力同时优化边界细节。具体而言，我们引入了上下文感知的局部-全局模块（CLGM）作为模型基石，该模块融合多分支大感受野和多维自适应注意力机制，既能有效捕捉丰富上下文信息，又能保留关键目标特征，从而确保特征建模在提取与融合过程中的可靠性。此外，多频感知模块（MFPM）和
