FFTLNet：一种面向铁路信号检测的"先寻址后细察"网络及其在复杂环境下的性能突破

本文提出了一种创新的"先寻址后细察"网络（FFTLNet），通过频域稀疏注意力模块（FDSA）和混合聚合网络（MANet）的协同设计，有效解决了铁路信号检测中小目标易丢失、背景干扰大的难题。该研究在GERALD数据集上实现了AP50达0.696的突破性性能，特别将小目标检测APs提升至0.35，为自动驾驶列车安全系统提供了关键技术支撑。

　　

亮点

• 提出新型FFTLNet网络，通过频域-空间域稀疏调制实现铁路信号检测

• 设计FDSA模块，融合频域/空间域/稀疏注意力三支路交叉注意力机制

• 开发MRC模块，结合重参数化卷积块增强关键区域特征提取能力

章节概览

提出方法

本部分详述FFTLNet网络模型的技术框架。如图2所示，该模型基于DEIM架构，通过集成频域分析、空间特征提取和自适应稀疏注意力机制，显著提升复杂环境下铁路信号目标的检测性能。输入图像经主干网络处理生成多尺度特征{P3, P4, P5}，其中P5层嵌入FDSA模块实现全局定位，P3/P4层采用MRC模块强化细节特征融合。

数据集与实验设置

数据集：研究采用GERALD和FRSign数据集进行验证。主要实验基于GERALD数据集，包含5,000张德国铁路场景图像（分辨率1280×720像素），其中小于32×32像素的目标被定义为小目标。如表I所示，在33,554个标注目标中，小目标占比达65.2%，为模型的小目标检测能力提供重要测试基准。

计算复杂度与架构设计

FFTLNet将FDSA模块部署于P5层，MRC模块限定于P3/P4层，该设计基于计算复杂度与功能分配的均衡考量。FDSA模块的核心自注意力机制具有O(N2)计算复杂度，而P5层的低分辨率特征图（如输入1/32尺度）可有效控制计算开销。MRC模块采用多分支卷积结构，在中等分辨率特征图上实现高效局部特征增强，形成"全局定位+局部细化"的协同检测范式。

结论

本研究提出的FFTLNet网络通过双模块创新设计，在复杂背景下实现小目标精准检测。频空域稀疏注意力（FDSA）机制有效抑制背景高频噪声，提升目标关注度；混合重参数化卷积（MRC）模块强化语义特征提取，共同攻克铁路信号检测中的误检漏检难题。