YOLOv11涨点改进| TGRS 2026 |全网创新首发、Conv卷积改进篇 | 引入SFEM空间-频率特征增强模块，同时建模空间域和频域信息，助力YOLOv11遥感小目标检测，小目标分割高效涨点

一、本文介绍

🔥这篇论文作者使用YOLOv11模型发SCI一区！喜提TGRS 2026顶刊！做遥感小目标检测任务。

本文给大家介绍利用SFEM空间-频率特征增强模块改进YOLOv11网络模型，SFEM 是一种面向 RGB 分支的空间–频域特征增强模块，主要作用是提升复杂场景下 RGB 特征的表达能力与稳定性。其原理是通过双分支结构同时建模空间域和频域信息，其中空间分支利用梯度算子提取边缘、纹理等局部细节，频域分支借助傅里叶变换挖掘图像的全局结构与频率模式，最后将两类特征融合，形成更完整的特征表示。其优势在于突破了传统仅依赖空间域建模的局限，能够同时兼顾局部细节与全局信息，从而增强模型在复杂背景、光照变化和小目标场景下的鲁棒性，并为后续跨模态融合提供更高质量的 RGB 特征基础。

🔥欢迎订阅我的专栏、带你学习使用最新-最前沿-独家YOLOv11创新改进！🔥

YOLOv11专栏改进目录：YOLOv11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、C2PSA/C3k2二次创新改进、全网独家创新等创新点改进

全新YOLOv11-发论文改进专栏链接：全新YOLOv11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、SFEM空间-频率特征增强模块介绍

2.1 SFEM空间-频率特征增强模块结构图

2.2 SFEM模块的作用

1. 提升RGB分支的特征表达能力

2. 提高复杂场景下的特征鲁棒性

3. 提供更加可靠的特征基础

2.3 SFEM模块的原理

1. 采用空间域与频域双分支结构

2. 空间分支用于提取局部结构信息

3. 频域分支用于提取全局结构信息

4. 融合空间特征与频域特征

2.4 SFEM模块的优势

1. 同时利用局部信息与全局信息

2. 提高模型对复杂环境的适应能力

3. 强化目标边缘与纹理特征

4. 提升整体检测性能

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​编辑

3.修改tasks.py文件

五、创建涨点