YOLO系列算法改进 | C3k2改进篇 | 融合FSTA频率驱动的时空注意力模块 | 以极少的可学习参数自适应校准不同时间/帧间的特征重要性 | AAAI 2025
0. 前言
本文介绍了频率驱动的时空注意力模块（FSTA）中的Temporal Attention核心模块，并将其集成到ultralytics最新发布的YOLO26目标检测算法中，构建C3k2_FSTA创新模块。Temporal Attention模块是 FSTA-SNN 中的核心子模块之一，旨在解决脉冲神经网络中时序维度上的特征学习冗余问题。我们将C3k2_FSTA创新模块集成到YOLO26，经注册和配置yaml文件后进行实验，展现出良好效果。
专栏链接：YOLO系列算法改进专栏链接
专栏文章：YOLO26改进系列 | 卷积篇、轻量化、注意力、损失函数、Backbone、SPPF、C2PSA、Neck、检测头全方面保姆级优化合集 | 同样适配YOLOv11改进！！！
目录
0. 前言
1. FSTA模块简介
2. FSTA模块原理与创新点
🧠 FSTA模块基本原理
🎯 FSTA模块创新点
3. 具体改进步骤
🍀🍀步骤1：创建C3k2_FSTA.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. FSTA模块简介
脉冲神经网络因其固有的能量效率，正成为人工神经网络的一种有前景的替代方案。由于 SNN 中脉冲生成的固有稀疏性，对中间输出脉冲的深入分析和优化常被忽视。这种忽视严重限制了 SNN 固有的能量效率，并削弱了其在时空特征提取方面的优势，导致精度不足和不必要的能量消耗。在这项工作中，我们从时间和空间两个角度分析了 SNN 的固有脉冲特性。在空间分析方面，我们发现浅层倾向于学习垂直变化，而深层逐渐学习特征的水平变化。在时间分析方面，我们观察到不同时间步之间的特征学习没有显著差异，这表明增加时间步对特征学习的效果有限。基于这些分析得到的见解，我们提出了一种基于频率的时空注意力模块来增强 SNN 中的特征学习。该模块旨在通过抑制冗余脉冲特征来提高特征学习能力。实验结果表明，FSTA 模块的引入显著降低了 SNN 的脉冲发放率，在多个数据集上相比最先进的基线方法表现出更优的性能。
原始论文：