MFPM多频感知融合模块提升YOLOv13小目标检测性能

1. MFPM多频感知融合模块技术解析

在目标检测领域，YOLO系列算法因其出色的实时性能而广受欢迎。然而，在处理红外和遥感图像中的小目标检测时，传统YOLOv13模型仍面临诸多挑战。这些挑战主要来自三个方面：目标信号强度弱（通常只占几个像素）、背景噪声复杂多变（如云层干扰、热辐射噪声等）、以及目标边缘信息易丢失。针对这些问题，我们开发了MFPM（Multi-Frequency Perception Module）多频感知融合模块，通过频域分析的方法显著提升了特征融合的质量。

核心思路：将空间域特征转换到频域进行处理，利用不同频率分量对噪声和目标响应的差异性，实现更精准的特征筛选。

1.1 模块整体架构设计

MFPM采用三级处理流程（如图1所示），每个阶段都针对特定问题设计：

1. 空间注意力门控（Spatial Attention Gate）

   • 先对输入特征进行初步筛选，抑制明显无关区域
   • 使用轻量级卷积计算注意力权重
   • 保留约60-80%的特征通道

2. 频域转换与分解（Frequency Transformation）

   • 通过快速傅里叶变换(FFT)将特征映射到频域
   • 分离出低频（全局结构）、中频（局部细节）、高频（边缘纹理）分量
   • 对每个频段进行独立处理

3. 动态频率筛选（Dynamic Frequency Selection）

   • 设计可学习的频域滤波器组
   • 通过门控机制自动调节各频段权重
   • 重点保留目标相关频率响应

python复制class MFPM(nn.Module):
    def __init__(self, c1, c2):
        super().__init__()
        self.conv_att = nn.Conv2d(c1, 1, 3, padding=1)
        self.fft_blocks = nn.ModuleList([
            FrequencyBlock(c1) for _ in range(3)
        ])
        self.fusion = nn.Conv2d(c1*3, c2, 1)

    def forward(