YOLO系列算法改进 | C2PSA改进篇 | 融合FDFAM频率域特征聚合模块 | 频域解耦与跨模态互补，破解夜间及多模态特征失衡难题 | TMM 2026
0. 前言
本文介绍FDFAM（Frequency Domain Feature Aggregation Module）频率域特征聚合模块，并将其集成到ultralytics最新发布的YOLO26目标检测算法中，构建C2PSA_FDFAM创新模块。FDFAM是一种突破传统空间域注意力限制的频域特征融合机制，基于卷积定理将特征转换到频率域，通过逐元素乘积高效捕获可见光与红外模态间的互补信息。将FDFAM嵌入YOLOv26的C2PSA模块中，能够显著增强模型在弱光照、雨雾、夜间等复杂环境下的多模态感知能力，通过频域解耦有效解决跨模态特征语义冲突与信息失衡问题。这一创新尤其适用于全天候智慧安防、自动驾驶夜间感知、无人机多光谱巡检、边防监控等高价值场景，在保持低计算开销的同时，大幅提升对遮挡目标、恶劣环境干扰及多模态配准误差的检测鲁棒性。
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. FDFAM模块简介
2. FDFAM模块原理与创新点
🧠 FDFAM模块基本原理
🎯 FDFAM模块创新点
3. 具体改进步骤
🍀🍀步骤1：创建C2PSA_FDFAM.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. FDFAM模块简介
与现有大多使用空间域Transformer提取RGB-IR图像对互补特征的多模态检测方法不同，我们设计了一个频率域特征聚合模块（FDFAM），以更好地挖掘和融合跨模态互补特征。FDFAM由多模态频率域注意力（MFDA）、两个频率域前馈层（FDFFL）、一个拼接操作和一个带激活函数的卷积层组成。受卷积定理启发——空间域中两个信号的相关性等价于它们在频率域中的逐元素乘积，我们提出了一种有效的MFDA来捕获跨模态信息之间的像素级相关性。首先，对每个模态通过层归一化、标准1×1卷积和3×3深度卷积生成查询Q、键K和值V。随后，引入快速傅里叶变换（FFT）对RGB和红外特征的Q和K进行域变换，并利用逐元素乘法计算不同模态下Q和K之间的相似度。之后，应用逆快速傅里叶变换（IFFT）和层归一化将频率信息恢复并归一化。为捕获跨模态相关性，通过逐元素乘法将一个模态的V与另一模态的归一化结果进行交互。最后，通过1×1卷积和加法操作得到MFDA的输出结果。此外，基于混合尺度频率特征融合策略，我们设计了FDFFL。通过层归一化后，将归一化特征送入三个分支，分别使用不同卷积核的标准卷积和深度卷积捕获多尺度表示，并经过ReLU激活。然后将空间特征信息通过FFT转换为频率信息，在通道维度上将每个频率信息分割成三个块，以相互混合的方式进行拼接，最后通过IFFT恢复并通过1×1卷积降维，与初始信息相加得到最终结果。