在伪装物体检测中，现有方法多依赖空间局部特征，难以捕捉全局信息，而 Transformer 类方法计算成本高昂。频率域特征因具备全局建模能力，可有效抑制背景噪声、提升伪装物体语义清晰度，但频域与空域的频繁转换会增加计算复杂度。基于此，PFAE 模块被提出，旨在通过频域注意力机制更高效地提取高频特征，解决传统方法在处理边界模糊、遮挡等场景时的局限性。

1.PFAE原理

        PFAE 模块的核心原理是结合频域注意力与多尺度特征融合。首先，对输入特征进行通道降维，通过不同膨胀率的扩张卷积分支提取多尺度特征；每个分支利用快速傅里叶变换（FFT）生成查询 Q、键 K 和值 V，经点乘、激活实部与虚部后得到频域注意力图，再与 V 点乘并通过逆傅里叶变换（IFFT）转回空域。过程中引入频率权重模块（FWM）进行残差连接，最后通过卷积操作与残差连接生成混合特征，实现对频域信息的增强与多尺度特征的聚合。

PFAE 模块的结构如图 2 所示，主要包含以下部分：

        特征降维：通过 1×1 卷积对输入特征 E₄降维，得到E^4​。

        多尺度扩张卷积分支：4 个分支，膨胀率为2n−1（n≥2），每个分支包含频域注意力模块。

        频域注意力计算：利用 FFT 生成 Q、K、V，计算注意力图Af​，并通过 IFFT 转回空域。

        频率权重模块（FWM）：通过频域残差连接增强频域信息表示。

        特征融合与输出：通过卷积操作与残差连接，将多分支特征融合生成最终输出E5​。

2. PFAE 在不同领域的应用描述

医学领域

        在医学影像伪装目标检测相关论文中，PFAE 模块可被描述为：“针对医学影像中病灶与周围组织边界模糊、易受噪声干扰的挑战，提出基于频域注意力的金字塔频率注意力提取模块（PFAE）。该模块通过多尺度扩张卷积捕获不同大小的病灶特征，结合频域变换抑制背景噪声，增强病灶区域的语义特征。在肺部结节、乳腺肿瘤等检测任务中，PFAE 能有效提取隐藏于复杂解剖结构中的病灶高频特征，提升分割精度，为医学辅助诊断提供更可靠的依据。”

遥感领域

        用于遥感图像伪装目标检测的论文中，可这样描述 PFAE：“在遥感场景中，伪装目标（如军事设施、隐藏车辆等）常与自然背景高度相似，传统方法难以有效区分。PFAE 模块通过频域注意力机制，捕捉目标与背景在频率域的差异特征，抑制植被、地形等复杂背景的干扰。多尺度结构可适应不同大小目标的检测需求，从遥感图像的高频分量中提取目标的轮廓与结构信息，实现对伪装目标的鲁棒检测，为遥感监测与安全预警提供技术支持。”

缺陷检测领域

        在工业缺陷伪装检测的论文中，PFAE 的描述可如下：“工业产品表面缺陷常因光照、纹理等因素与正常区域难以区分，传统方法易受局部特征干扰。PFAE 模块通过频域变换提取缺陷区域的高频特征，结合多尺度扩张卷积捕获不同尺度的缺陷模式，有效抑制产品表面纹理、划痕等噪声的影响。在金属板材、半导体晶圆等缺陷检测中，该模块能从复杂背景中精准定位伪装缺陷，提升检测的准确率与鲁棒性，为工业质量控制提供高效解决方案。”

农业领域

        于农业伪装目标检测相关论文中，PFAE 可表述为：“农业场景中，病虫害植株、杂草等伪装目标常与正常作物外观相似，传统检测方法难以精准识别。PFAE 模块利用频域注意力机制，提取病虫害叶片、杂草等目标的独特频率特征，抑制作物叶片纹理、自然光照等背景干扰。多尺度结构可适应不同生长阶段目标的检测需求，从图像高频分量中增强目标的语义信息，实现对农田中伪装目标的准确识别与定位，为精准农业管理提供技术支撑。”

3. PFAE与yolo结合       

        将PFAE与YOLO结合时，可借助PFAE的频域注意力与多尺度特征提取能力，增强YOLO对伪装目标的全局语义理解，抑制复杂背景干扰；其轻量化结构适配YOLO的实时检测框架，在工业缺陷、遥感目标等场景中，能提升YOLO对边界模糊、尺度多变伪装目标的检测精度与鲁棒性，同时保持高效推理速度。

4. PFAE代码部分

PFAE（金字塔频率注意力提取模块）抑制复杂背景干扰，提升小目标、边界模糊目标的检测精度_哔哩哔哩_bilibili

YOLO12模型改进方法，快速发论文，总有适合你的改进，还不改进上车_哔哩哔哩_bilibili

 代码获取：YOLOv8_improve/YOLOV12.md at master · tgf123/YOLOv8_improve · GitHub

5. PFAE引入到YOLOv12中

第一: 先新建一个v12_changemodel，将下面的核心代码复制到下面这个路径当中，如下图如所示。E:\Part_time_job_orders\YOLO_NEW\YOLOv12\ultralytics\v12_changemodel。

            ​​​​​​           

第二：在task.py中导入包

 ​​​           ​​​​​​​       

第三：在task.py中的模型配置部分下面代码

                   ​​​​​​​​​​​​​​ ​​​​​​​  

第四：将模型配置文件复制到YOLOV12.YAMY文件中

       ​​​​​​​​​​​​​​ ​​​​​​​  

     ​​​​​​​ ​​​​​​​​​​​​​​ ​​​​​​​ ​​​​​​​​​​​​​第五：运行代码

from ultralytics.models import NAS, RTDETR, SAM, YOLO, FastSAM, YOLOWorldif __name__=="__main__":# 使用自己的YOLOv12.yamy文件搭建模型并加载预训练权重训练模型model = YOLO("/home/shengtuo/tangfan/YOLO12/ultralytics/cfg/models/12/yolo12_PFAE.yaml")# .load(r'E:\Part_time_job_orders\YOLO_NEW\YOLOv12\yolo12n.pt')  # build from YAML and transfer weightsresults = model.train(data="/home/shengtuo/tangfan/YOLO12/ultralytics/cfg/datasets/fire_smoke.yaml",epochs=300,imgsz=640,batch=4,# cache = False,# single_cls = False,  # 是否是单类别检测# workers = 0,# resume=r'D:/model/yolov8/runs/detect/train/weights/last.pt',amp = True)

 上面是原模型，下面是改进模型

  

 ​​​​​​​​​​​​​​ ​​​​​​​