YOLOv11涨点改进| TCSVT 2026 SCI一区| 独家创新首发、注意力改进篇| 引入HFESA高频增强型自注意力机制，助力红外小目标检测、遥感目标检测、工业缺陷检测、图像去雨雾任务高效涨点

一、本文介绍

🔥本文给大家介绍使用  HFESA高频增强型自注意力机制 改进YOLOv11网络模型，通过增强检测网络对边缘、纹理、轮廓和细粒度高频信息的感知能力，弥补普通卷积或注意力结构在复杂背景下容易丢失细节的问题。其核心作用是通过高分辨率分支提取局部高频特征和方向性结构信息，再通过低分辨率分支进行全局上下文建模，并利用高频特征对注意力中的关键信息进行重校准，使模型在保持较低计算开销的同时获得更清晰、更有判别力的目标特征。HFESA 改进有利于提升小目标、边界模糊目标、纹理复杂目标和方向性目标的检测效果，增强目标定位精度，减少复杂背景下的误检与漏检，尤其适合遥感目标、工业缺陷、红外小目标、雨雾模糊场景以及需要精细边缘判别的检测任务。

🔥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、HFESA高频增强型自注意力机制介绍

2.1 HFESA高频增强型自注意力机制结构图

2.2 HFESA 模块的作用：

2.3 HFESA 模块的原理

2.4 HFESA 模块的优势

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

3.修改tasks.py文件

五、创建涨点yaml配置文件

🚀 创新改进1🔥: yolov11n_HFESA.yaml

🚀 创新改进2🔥: yolov11n_C2HFESA.yaml

🚀 创新改进3🔥: yolov11n_C3k2_HFESA.yaml

六、正常运行

二、HFESA高频增强型自注意力机制介绍

摘要：基于Transformer的架构在超高清（UHD）图像恢复（IR）领域展现出巨大潜力。然而，这些方法在保留高频（HF）细节方面面临重大挑战——而高频细节对纹理重建至关重要。传统方法通过大幅降低分辨率（降低4至8倍）来应对计算复杂度问题。此外，由于自注意力机制的固有特性，大多数高频成分会被消除，因为该机制在非局部特征整合过程中会自然抑制高频元素。本文提出了一种名为HiFormer的双分支Transformer架构，该架构能协同实现原分辨率下的高频保留与高效的上下文建模。高分辨率分支采用方向敏感的大核分解方法，以更少参数有效应对各向异性退化问题，并运用深度可分离卷积进行局部高频信息提取；与此同时，低分辨率分支通过自适应通道调制技术整合这些局部高频元素，以抵消自注意力机制固有平滑效应导致的频谱损失。针对多项 UHD 图像恢复任务的全面实验表明，我们的方法在定量指标和定性分析方面均优于当前主流方法。