YOLO11 改进、魔改｜高频感知模块High Frequency Perception（HFP），提高微小目标检测任务中的精度

          在微小目标检测（TOD）中，传统特征金字塔网络（FPN）存在明显缺陷：微小目标因像素占比极低，特征易被压缩和干扰，且 FPN 对所有特征采用统一处理方式，未针对微小目标进行增强；同时，FPN 通过像素级相加融合上下层特征，缺乏空间感知能力，导致特征错位。受传统频率域方法（高频成分对应微小目标细节）启发，高频感知模块（HFP）被提出以解决这些问题。

1.HFP原理

        HFP 基于 “微小目标特征主要对应图像高频成分” 的特性，通过高通滤波器提取输入特征图的高频响应，过滤低频背景信息。随后，利用高频响应分别生成通道注意力权重和空间注意力权重：通道权重突出含更多微小目标特征的通道，空间权重聚焦微小目标所在区域，最终通过加权融合增强原始特征中微小目标的表达。

HFP 包含三个核心部分：

         高频特征生成器：通过离散余弦变换（DCT）和高通滤波器（由 α 控制滤波范围）提取高频响应，α 决定过滤的低频区域大小；

         通道路径（CP）：对高频响应进行全局平均池化（GAP）和全局最大池化（GMP），经卷积层生成通道权重，动态分配各通道重要性；

         空间路径（SP）：通过 1×1 卷积聚合高频响应的通道信息，生成空间掩码，定位微小目标所在像素区域。两者输出经元素相乘后相加，再通过 3×3 卷积得到增强特征

2. 在不同领域论文中的描述

检测领域

        在检测领域论文中，HFP 可描述为：“针对微小目标特征微弱、易受干扰的问题，HFP 通过提取特征图高频成分，构建通道与空间双路径注意力机制，动态强化含微小目标的通道和区域，有效提升检测模型对小尺度目标的识别与定位精度，缓解传统网络对微小目标的漏检问题。”

分割领域

        在分割领域论文中，HFP 可描述为：“为增强分割任务中细粒度目标（如微小物体、边缘结构）的特征区分度，HFP 利用高频响应突出目标细节，通过通道和空间权重调整，聚焦关键区域，辅助模型生成更精准的分割掩码，尤其适用于含大量小尺度目标的场景。”

3. YOLO与HFP的结合  

       将 HFP插入YOLO 之后，能进一步增强 YOLO 输出特征中微小目标的高频细节，抑制背景噪声；同时通过动态权重分配，让 YOLO 更聚焦于小目标区域，提升复杂场景下小目标的检测准确率，减少漏检和误检。

4. HFP代码部分

高频感知模块High Frequency Perception（HFP），提高微小目标检测任务中的精度_哔哩哔哩_bilibili

YOLOv11模型改进讲解，教您如何根据自己的数据集选择最优的模块提升精度_哔哩哔哩_bilibili

 代码获取：https://github.com/tgf123/YOLOv8_improve

 5. HFP到YOLOv11中

第一: 将下面的核心代码复制到D:\model\yolov11\ultralytics\change_model路径下，如下图所示。

            ​​​​​​  

第二：在task.py中导入包

 ​​​          

第三：在task.py中的模型配置部分下面代码

第四：将模型配置文件复制到YOLOV11.YAMY文件中

       ​​​​​​​​​​​​​​​​​​​​​ 

     ​​​​​​​ ​​​​​​​​​​​​​​ ​​​​​​​ ​​​​​​​​​​​​​第五：运行代码

from ultralytics.models import NAS, RTDETR, SAM, YOLO, FastSAM, YOLOWorld
import torch
if __name__=="__main__":



    # 使用自己的YOLOv8.yamy文件搭建模型并加载预训练权重训练模型
    model = YOLO("/home/shengtuo/tangfan/YOLO11/ultralytics/cfg/models/11/yolo11_DiffAttention.yaml")\
        # .load(r'E:\Part_time_job_orders\YOLO\YOLOv11\yolo11n.pt')  # build from YAML and transfer weights

    results = model.train(data="/home/shengtuo/tangfan/YOLO11/ultralytics/cfg/datasets/VOC_my.yaml",
                          epochs=300,
                          imgsz=640,
                          batch=4,
                          # cache = False,
                          # single_cls = False,  # 是否是单类别检测
                          # workers = 0,
                          # resume=r'D:/model/yolov8/runs/detect/train/weights/last.pt',
                          amp = False
                          )

 ​​​​​​​