一、本文介绍
🔥本文给大家介绍使用 AFFN 自相关前馈网络模块 改进YOLOv11网络模型，通过在特征提取与融合阶段显式建模特征图内部的周期性结构信息，通过自相关机制强化重复出现的目标纹理与结构特征，从而提升模型对规则性模式的感知能力。在复杂背景或存在噪声干扰的情况下，AFFN能够有效抑制无关信息，突出稳定的目标特征表达，增强检测的鲁棒性与判别能力。同时，该模块通过频域与空间域的联合建模，在不显著增加计算开销的前提下提升特征质量，有助于提高小目标检测精度、减少误检和漏检，并整体提升YOLOv11在复杂场景下的检测性能与稳定性。
🔥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、AFFN 自相关前馈网络模块介绍
2.1 AFFN 自相关前馈网络模块结构图
2.2 AFFN模块的作用：
2.3 AFFN模块的原理
2.4 AFFN模块的优势
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
3.修改tasks.py文件
五、创建涨点yaml配置文件
🚀 创新改进1🔥: yolov11n_C2PSA_AFFN.yaml
🚀 创新改进2🔥: yolov11n_AFFNC3k2.yaml
六、正常运行
二、AFFN 自相关前馈网络模块介绍
摘要：闪烁伪影源于光照不稳定性和行间曝光不一致，在短曝光摄影中构成重大挑战，会严重损害图像质量。与噪声、低光等典型伪影不同，闪烁是一种具有特定时空特征的结构化退化现象，而当前通用修复框架未能充分考虑这些特征，导致闪烁抑制效果欠佳并产生重影伪影。本研究揭示闪烁伪影具有周期性和方向性两大固有特征，并提出基于变换器架构的Flickerformer模型，该模型能有效消除闪烁伪影且不引入重影效应。具体而言，Flickerformer包含三个核心组件：基于相位的融合模块（PFM）、自相关前馈网络（AFFN）以及基于小波的方向性注意力模块（WDAM）。基于周期性特征， PFM 通过帧间相位相关性自适应聚合突发特征； AFFN 则利用自相关技术捕捉帧内结构规律，协同提升网络对空间重复模式的感知能力。此外，受闪烁伪影方向性特征驱动， WDAM 通过小波域高频变化引导低频暗区修复，实现对闪烁伪影的精准定位。大量实验表明，Flickerfo
