YOLOv12涨点改进| TGRS 2026 |独家卷积改进篇| 引入FSBlock频率-空间模块，利用空间分支和频率分支同时捕获局部空间细节和全局频率信息，助力红外小目标检测任务有效涨点

一、本文介绍

🔥本文给大家介绍使用 FSBlock频率-空间模块 改进YOLOv12网络模型，通过并行的空间分支和频率分支同时捕获局部空间细节和全局频率信息，使网络能够更好地区分小目标与复杂背景。空间分支强化目标边缘、纹理和局部结构特征，而频率分支通过FFT和SBG模块突出目标相关的中高频信号、抑制平滑背景干扰，从而提高小目标显著性。其优势在于：显著增强小目标响应和背景抑制能力，保留关键局部细节的同时提供全局上下文信息，减少小目标在下采样或深层特征提取中丢失的风险，提高YOLOv12在小目标、密集目标和复杂背景场景下的检测精度和鲁棒性，同时保持较高的计算效率和实时推理性能。

🔥欢迎订阅我的专栏、带你学习使用最新-最前沿-独家YOLOv12创新改进！🔥

YOLOv12专栏改进目录：YOLOv12改进包含各种卷积、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、A2C2f二次创新、独家创新等几百种创新点改进。

全新YOLOv12改进专栏订阅链接：全新YOLOv12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、FSBlock频率-空间模块介绍

2.1 FSBlock频率-空间模块结构图

2.2 FSBlock频率-空间模块的作用：

2.3 FSBlock频率-空间模块的原理

2.4 FSBlock频率-空间模块的优势

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

六、正常运行

二、FSBlock频率-空间模块介绍

摘要：红外小目标检测（IRSTD）本质上具有挑战性，这既源于小目标特征表示的弱性，也由于复杂背景造成的显著干扰。当前主流 IRSTD 方法主要侧重于空间域特征提取，却常常忽视频域中蕴含的关键补充信息，导致检测性能受限。为解决这一问题，我们提出了一种新型频域-空间融合网络（FSFNet），该网络通过两个创新模块——频域-空间块（FSBlock）和频域-空间特征融合模块（FSFFM），实现了空间域特征与频域信息的深度融合。具体而言，配备频谱带门控（SBG）模块的FSBlock可选择性突出关键频谱带，捕捉频域中的全局上下文模式与周期性特征，从而补充传统空间域局部表征，提升网络区分小目标与杂波背景的能力；而 FSFFM 则通过频率引导的跨通道注意力机制自适应整合多域特征，有效弥合空间域与频域之间的语义鸿沟。在三个公开基准数据集上的广泛实验表明，所提出的FSFNet相较于现有最先进方法始终展现出更优的检测精度与鲁棒性。