YOLO系列算法改进 | C2PSA改进篇 | 融合HEWL高频增强小波层 | 频域引导与边缘细节增强，适应红外弱小目标与边缘部署场景 | TGRS 2026
0. 前言
本文介绍HEWL（High-Frequency Enhanced Wavelet Layer）高频增强小波层模块，并将其集成到ultralytics最新发布的YOLO26目标检测算法中，构建C2PSA_HEWL创新模块。HEWL是一种基于离散小波变换的高频信息增强模块，通过浅层高频细节引导深层语义特征重建，旨在解决深度特征重建过程中的边缘退化与语义模糊问题。将HEWL嵌入YOLOv26的C2PSA模块中，能够显著增强模型对弱小目标的边缘结构感知能力与复杂背景下的目标判别力，尤其适用于红外热成像目标检测、无人机夜间巡检、以及边缘计算平台上的低对比度目标识别场景，在保持轻量化推理效率的同时，大幅提升对模糊边缘与密集小目标的检测精度。
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. HEWL模块简介
2. HEWL模块原理与创新点
🧠 HEWL模块基本原理
🎯 HEWL模块创新点
3. 具体改进步骤
🍀🍀步骤1：创建C2PSA_HEWL.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. HEWL模块简介
红外小目标检测（IRSTD）对军事安全应用具有关键意义。尽管U型架构提升了基准性能，现有方法仍存在两大核心局限：1）对微小目标的空间感知能力不足导致目标定位丢失；2）深度特征重建过程中存在边缘退化与语义模糊问题。为解决这些问题，我们提出PQGNet架构，其中设计了最大池化-小波混合层（MWHL）与高频增强小波层（HEWL），利用离散小波变换特性通过浅层高频细节强化深度语义表征。区别于现有仅替换池化层的小波方法，HEWL通过显式保留并增强深度重建过程中的高频边缘细节，有效解决低-频退化问题，显著提升红外小目标的边缘重建质量与检测精度。
原始论文：https://doi.org/10.1109/TGRS.2026.3654433
原始代码：