YOLO26改进 | 自研篇 | 融合FSConv频率-空间卷积模块 | 空域捕结构+频域提升细节，深层特征明显增强！

0. 前言

本文介绍2025 TGRS最新提出的频率-空间卷积（frequency–spatial convolution，FSConv），并集成到ultralytics最新发布的YOLO26目标检测算法中，改进Backbone或Neck特征提取部分。现有动态卷积工作仅赋予卷积核一个维度动态属性，而ODConv利用新颖的多维注意力机制和并行策略，在卷积核空间的四个维度学习互补注意力。它可作为常规卷积的替代品插入多种CNN架构。我们将ODConv集成进YOLO26，在 MS – COCO数据集上的实验表明，ODConv能带来显著的准确性提升，减少额外参数。

专栏链接：YOLO系列算法改进专栏链接

目录

0. 前言

1. FSConv卷积模块简介

2. FSConv卷积基本原理与创新点

🎯 FSConv卷积基本原理

🎯 FSConv卷积创新点

3. 具体改进步骤

🍀🍀步骤1：创建FSConv.py文件

🍀🍀步骤2：tasks.py文件修改

🍀🍀步骤3：创建YAML配置文件

🍀🍀步骤4：新建train.py文件训练模型

🍀🍀步骤5：模型结构打印结果

1. FSConv卷积模块简介

由于极低的信噪比，红外小目标检测仍具挑战性。现有方法难以在精度与速度之间取得平衡，尤其是在计算资源受限的情况下。为解决这些问题，我们提出了基于YOLOv10n架构的频率-空间上下文融合网络。特别地，我们设计了新颖的频率-空间卷积（FSConv），通过哈尔小波变换分解输入特征：高频信息聚焦于局部细节以突出小目标，低频信息则提供全局背景以补充空间特征。此外，我们开发了非对称跨域注意力（ACA） 以增强局部中心特征提取，该机制能反映小目标典型的空间高斯分布模式。进一步，我们引入了定制化的多尺度感受野上下文模块（MRCB），通过多样化的空洞卷积捕获长距离信息。同时，采用Wasserstein距离损失（WDL） 提升边界框质量。在三个公开数据集上的大量实验验证了FSCFNet的有效性。值得注意的是，在IRSTD-1k数据集上，FSCFNet在精度、召回率和AP@50上分别比基线提升4.7%、3.3%和3.9%，而参数量仅增加3.6%。FSCFNet为资源受限环境下的实时红外监视系统提供了稳健的解决方案。更多对比结果见文中。