YOLOv11改进 | 引入FreqFusion频率感知特征融合模块，提升特征一致性与边界锐度
YOLOv11改进 | 引入FreqFusion频率感知特征融合模块，提升特征一致性与边界锐度
一、引言
YOLOv11作为实时目标检测的标杆框架，其核心优势在于高效的多尺度特征融合，但在频率域特征利用与边界细节保留上仍存在瓶颈：
- 传统特征融合（如FPN/PAN）仅关注空间域信息，忽略频率域的局部细节（如边缘的高频分量），导致目标边界模糊；
- 不同尺度特征的频率分布差异大（浅层高频细节易被深层低频语义淹没），融合后特征一致性差；
- 复杂场景（如医学影像的微小病灶、遥感图像的细小地物）中，边界锐度不足直接影响检测/分割精度。
为解决这些问题，本文提出在YOLOv11中引入FreqFusion频率感知特征融合模块。FreqFusion通过显式分离空间域与频率域特征，设计频率自适应融合策略，显著提升特征一致性与边界锐度，在医学影像分割、遥感目标检测等任务中实现高效涨点。
二、技术背景
1. YOLOv11特征融合的频率域局限
YOLOv11的骨干网络（如CSPDarknet）提取的特征包含丰富的空间信息，但传统融合模块（如PAN）仅通过卷积与上采样/下采样操作融合空间域特征，
