一、本文介绍
⭐本文给大家介绍将 Residual Haar Discrete Wavelet Transform (RHDWT) 模块与 RT-DETR 结合，能够显著提升目标检测的效果，尤其是在处理带有条纹噪声或复杂背景的图像时。RHDWT模块通过结合条纹噪声的方向性先验与数据驱动的特征交互，增强了图像的特征表示，去除噪声的同时保留了图像细节。这使得RT-DETR在复杂环境中表现更加精准，减少误检和漏检，提升了检测精度和鲁棒性。具体怎么使用请看全文！
🔥欢迎订阅我的专栏、带你学习使用最新-最前沿-独家RT-DETR创新改进！🔥
含3种 rtdetr 基准创新改进点助力高效涨点！
🔥RT-DETR创新改进目录：全新RT-DETR 有效涨点改进目录 | 包含各种卷积、主干改进、各种注意力机制、Neck特征融合改进、损失函数、AIFI创新改进、独家创新、小目标检测、特殊场景检测等最全大论文及小论文必备创新改进点
🔥全新RT-DETR创新改进专栏地址：最全RT-DETR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、RHDWT模块介绍
2.1 RHDWT模块结构图
2.2 RHDWT模块的作用：
2.3 RHDWT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task.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task.py文件
五、创建涨点yaml配置文件
🚀 创新改进1: rtdetr-l-RHDWT.yaml
🚀 创新改进2: rtdetr-r18-RHDWT.yaml
🚀 创新改进3: rtdetr-r50-RHDWT.yaml
六、正常运行
二、RHDWT模块介绍
摘要：在实际的红外成像系统中，准确地学习一致的条纹噪声去除模型至关重要。现有的大多数去条纹方法由于跨层语义差距和对全局列特征的不足表征，无法精确重建图像。为了应对这一问题，我们提出了一种新型的红外图像去条纹方法——非对称采样修正网络（ASCNet），该方法能够有效捕捉全局列关系，并将其嵌入到U型框架中，从而提供全面的判别性表示和无缝的语义连接。我们的ASCNet包含三个核心元素：残差Haar离散小波变换（RHDWT）、像素重排（PS）和列非均匀性修正模块（CNCM）。具体来说，RHDWT是一种新型的下采样器，通过双分支建模有效地整合条纹方向先验知识和数据驱动的语义交互，从而丰富特征表示。由于条纹噪声的语义模式存在串扰，PS被引入作为上采样器，以防止过度的先验解码，并执行无语义偏差的图像重建。每次采样后，CNCM捕捉列关系中的长程依赖性。通过结合列、空间和自依赖信息，CNCM成功地建立了全球上下文，以区分条纹和场景中的垂直结构。大量的实验结果显示，所提出的方法在合成数据、真实数据以及红外小目标检测任务中，在视觉和量化上都超越了当前最先进的单图像去条纹方法。
)
