企业官网建设流程全解析

前言

本文提出新型频率动态卷积（FDConv），旨在解决传统动态卷积权重频率响应相似、参数开销大且适应性有限的问题。FDConv通过在傅里叶域学习固定参数预算，将其划分为基于频率的分组，构建频率多样化的权重。同时设计了核空间调制（KSM）和频段调制（FBM），分别在空间和频率域提升适应性。大量实验表明，FDConv应用于ResNet - 50时，仅增360万参数就能实现更优性能。我们将FDConv集成进YOLO26，替换部分模块，在目标检测、分割和分类任务中验证了其有效性，为现代视觉任务提供灵活高效的解决方案。

文章目录： YOLO26改进大全：卷积层、轻量化、注意力机制、损失函数、Backbone、SPPF、Neck、检测头全方位优化汇总

专栏链接: YOLO26改进专栏

介绍

摘要

尽管动态卷积（DY-Conv）通过“多组并行权重+注意力机制”实现自适应权重选择，展现出良好性能，但这些权重的频率响应往往高度相似，导致参数开销大而适应性有限。在本文中，我们提出一种新型频率动态卷积（FDConv），通过在傅里叶域学习固定参数预算来缓解这些局限性。FDConv将该预算划分为具有不相交傅里叶索引的基于频率的分组，能够在不增加参数开销的前提下构建频率多样化的权重。为进一步提升适应性，我们设计了核空间调制（KSM）和频段调制（FBM）：KSM在空间层面动态调整每个滤波器的频率响应，而FBM则在频率域将权重分解为不同频段，并基于局部内容进行动态调制。我们在目标检测、分割和分类任务上开展了大量实验，验证了FDConv的有效性。结果表明，将FDConv应用于ResNet-50时，仅需小幅增加360万参数即可实现更优性能，超越了此前需要大幅增加参数预算的方法（如CondConv增加9000万参数、KW增加7650万参数）。此外，FDConv可无缝集成到多种架构中，包括ConvNeXt、Swin-Transformer，为现代视觉任务提供了灵活高效的解决方案。相关代码已公开在https://github.com/LinweiChen/FDConv。

文章链接

论文地址：