YOLOv8改进策略【卷积层】| TGRS2024 小波变换特征分解器（WTFD）双频互补提精度 + 轻量分解保空间[特殊字符]

一、本文介绍本文记录的是利用WTFD小波变换特征分解器优化YOLOv8的目标检测网络模型。WTFD（小波变换特征分解器）通过Haar小波变换双迭代分解与分通道轻量化特征映射结合，为纯空间域分割网络引入互补的频域特征分支。本文利用WTFD模块，先通过点卷积增强输入空间特征的非线性表达，再依托高效的Haar小波变换将特征解耦为低频全局语义分量与水平、垂直、对角三类高频细节分量，分别经过卷积与归一化处理得到独立的高低频特征，精准弥补空间域特征在阴影、边缘、纹理剧变区域的表达缺陷，在完整保留空间语义与位置信息的同时，实现空间-频域特征的天然互补，避免纯频域方法的空间信息丢失问题，显著提升图像模型对灰度变化显著区域的检测精度与整体鲁棒性。专栏目录：YOLOv8改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进专栏地址：YOLOv8改进专栏——以发表论文的角度，快速准确的找到有效涨点的创新点！文章目录一、本文介绍二、小波变换特征分解器介绍2.1 设计出发点2.2 模块结构2.3 模块优势三、WTFD的实现代码四、创新模块4.1 改进点1⭐五、添加步骤5.1 修改一5.2 修改二5.3 修改三六、yaml模型文件6.1 模型改进版本1七、成功运行结果二、小波变换特征分解器介绍SFFNet: A Wavelet-Based Spatial and Frequency Domain Fusion Network for Remote Sensing Segmentation2.1 设计出发点纯空间域分割方法（CNN、Transformer）对遥感图像中灰度变化显著区域（阴影、边缘、纹理剧变区）分割效果差，而频域特征对这类区域的灰度突变更敏感。现有小波变换在分割中的应用多直接用频域特征替代空间域特征，导致关键空间位置信息丢失，无法精准捕捉目标的类别语义和几何边界。需构建一种轻量分支，在完整保留空间域特征的语义与空间信息的基础上，引入额外频域特征，实现双域特征互补，解决空间分割的固有缺陷。2.2 模块结构WTFD（Wavelet Transform Feature Decomposer）是轻量化的频域特征映射分支，核心流程如下：前置增强：对输入的空间特征先执行1×1点卷积，增加特征非线性，保持维度不变。双迭代Haar小波分解：对每个通道特征进行两次Haar小波变换，解耦为1个低频近似分量A和3个高频细节分量（水平H、垂直V、对角D）