一、本文介绍🔥这篇论文作者使用YOLOv11模型发SCI一区！喜提TGRS 2026顶刊！做遥感小目标检测任务。本文给大家介绍利用SFEM空间-频率特征增强模块改进YOLOv11网络模型，SFEM 是一种面向 RGB 分支的空间–频域特征增强模块，主要作用是提升复杂场景下 RGB 特征的表达能力与稳定性。其原理是通过双分支结构同时建模空间域和频域信息，其中空间分支利用梯度算子提取边缘、纹理等局部细节，频域分支借助傅里叶变换挖掘图像的全局结构与频率模式，最后将两类特征融合，形成更完整的特征表示。其优势在于突破了传统仅依赖空间域建模的局限，能够同时兼顾局部细节与全局信息，从而增强模型在复杂背景、光照变化和小目标场景下的鲁棒性，并为后续跨模态融合提供更高质量的 RGB 特征基础。🔥欢迎订阅我的专栏、带你学习使用最新-最前沿-独家YOLOv11创新改进！🔥YOLOv11专栏改进目录：YOLOv11改进专栏包含卷积、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、C2PSA/C3k2二次创新改进、全网独家创新等创新点改进全新YOLOv11-发论文改进专栏链接：全新YOLOv11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、SFEM空间-频率特征增强模块介绍2.1 SFEM空间-频率特征增强模块结构图2.2 SFEM模块的作用1. 提升RGB分支的特征表达能力2. 提高复杂场景下的特征鲁棒性3. 提供更加可靠的特征基础2.3SFEM模块的原理1. 采用空间域与频域双分支结构2. 空间分支用于提取局部结构信息3. 频域分支用于提取全局结构信息4. 融合空间特征与频域特征2.4 SFEM模块的优势1. 同时利用局部信息与全局信息2. 提高模型对复杂环境的适应能力3. 强化目标边缘与纹理特征4. 提升整体检测性能三、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​编辑3.修改tasks.py文件五、创建涨点