🔥本文提出了一种改进RT-DETR目标检测网络的新方法——FSD-Down频域-空间动态下采样模块。该模块通过小波分解显式保留低频语义和高频细节，结合分组卷积和动态权重机制，自适应增强目标边缘和纹理信息，有效减轻传统下采样造成的频率混叠和细节丢失问题。实验表明FSD-Down能显著提升小目标检测性能，在VisDrone和AITODv2数据集上分别带来6.8和6.9的AP提升。文章详细介绍了模块原

🔥本文提出了一种改进的SFMB模块用于增强YOLOv12网络模型的特征表达能力。该模块通过空间多尺度建模、通道增强和频域特征强化，弥补了YOLOv12全局建模能力不足的问题，使其能够同时关注局部细节与全局上下文信息。SFMB模块由混合尺度Mamba模块(MMB)、通道增强模块(CEB)和频率增强模块(FEB)组成，从空间、通道和频率三个维度系统性增强特征表示。实验表明，该方法在保持计算效率的同时

🔥本文提出了一种基于MSEA多尺度边缘感知注意力的YOLOv11改进模型，通过增强网络对边缘、纹理和细粒度信息的感知能力，显著提升复杂背景下的目标检测性能。MSEA模块采用多尺度空洞卷积提取上下文特征，并通过边缘监督和注意力融合机制强化目标边界信息。实验表明该方法在小目标、边界模糊目标和复杂纹理目标检测任务中表现优异，尤其在遥感、工业缺陷和红外检测等场景具有显著优势。文章详细介绍了MSEA的结构

🔥本文提出了一种改进YOLOv11目标检测网络的新方法——I-SCA和V-SCA特征融合模块（IVSCAM）。该模块通过跨模态注意力机制增强不同层级特征的交互能力，显著提升了模型在复杂场景下的检测性能。I-SCA专注于强化显著区域和高响应目标的引导作用，V-SCA则擅长提取纹理和边缘细节信息。实验表明，IVSCAM能有效解决传统特征融合中的信息交互不足问题，提高小目标、弱目标和遮挡目标的检测效果

🔥本文介绍了一种基于Gabor的边界增强模块GBEM，用于改进YOLOv11目标检测模型。GBEM通过融合Gabor滤波的方向性和频率敏感性特性，增强模型对目标边界与纹理细节的感知能力，有效抑制复杂背景的干扰，减少误检和漏检。该模块相比传统注意力机制具有更强的方向建模能力和可解释性，能提升小目标、细长目标及边界模糊目标的检测精度。文章详细说明了GBEM的结构、原理、优势，并提供了完整的核心代码实

🔥本文提出了一种改进YOLO26网络的CDAFEM跨域感知特征增强模块，通过整合空间位置、通道语义、频率纹理和边缘结构信息，显著提升了模型在复杂场景下的目标检测能力。该模块采用多域特征融合策略，包括空间域的多尺度特征提取、通道域的动态权重调整、频率域的小波变换分解以及边缘结构的显式建模。实验结果表明，CDAFEM模块有效解决了遥感图像中目标尺度变化大、背景复杂、小目标检测困难等问题，在DIOR、

🔥本文提出了一种动态模块下采样模块（DBDM）用于改进YOLO26网络模型，旨在增强遥感图像目标检测中的特征保留能力。DBDM通过局部分块和动态偏移采样机制，自适应调整采样区域，有效缓解传统固定下采样导致的小目标、边缘和纹理信息丢失问题。该模块在保持较低计算负担的同时，显著提升了模型对小目标和复杂背景的检测性能。实验结果表明，DBDM在多个遥感数据集上取得了优于现有方法的检测精度，为无人机巡检和

🔥本文提出了一种基于SGAM（空间高斯注意力融合模块）的YOLO26改进方法，通过增强模型在空间维度上对目标区域的感知能力，显著提升了检测性能。SGAM模块利用高斯注意力机制对特征图中的重要区域进行自适应加权，有效抑制背景噪声并突出关键目标区域。该方法特别适用于小目标、密集目标和复杂背景场景，在遥感检测、工业缺陷检测等领域表现出优越性能。文章详细介绍了SGAM模块的结构原理、核心代码实现方法，并

🔥本文提出了一种创新的TVConvCA（平移变分卷积交叉注意力）机制，用于改进YOLO26目标检测模型。该机制通过多频率分析提取不同频段信息，强化目标轮廓特征并抑制噪声干扰，结合平移变体卷积实现空间自适应建模。核心创新包括：1）频域注意力筛选模块增强有效特征；2）空间自适应卷积处理目标位置变化；3）联合频域和空间特征提升复杂场景检测能力。该方法在焊缝缺陷等噪声强、目标弱的场景中显著提升检测精度，

🔥本文提出了一种基于SAM尺度感知模块改进的YOLO26目标检测网络，通过增强模型对不同尺寸目标的自适应感知能力，有效解决了小目标漏检和尺度变化导致的检测不稳定问题。SAM模块采用双分支结构：大尺度分支提取整体结构信息，小尺度分支结合普通卷积和空洞卷积捕捉细节特征，通过动态权重调制实现多尺度特征融合。实验表明，该模块在遥感图像屋顶分割任务中显著提升了小目标检测性能，在Rooftop+数据集上达到