基于频率感知与Haar小波变换的SCORE-DETR：解决果园柑橘小目标与遮挡检测的Transformer新方法

本文推荐一篇聚焦农业智能化的创新研究，作者团队提出SCORE-DETR模型，通过频率聚合网络（channel-wise recalibration与大卷积核）增强跨频率显著性，结合Haar小波融合模块消除多尺度特征混叠，在自建柑橘数据集Citrus-1K上实现APS提升11.5%（对比基线DETR），为密集果园环境下小目标（small-scale）与遮挡（occlusion）检测提供物理可解释的解决方案。

　　

亮点

• 提出SCORE-DETR模型，创新性地利用小波变换分解柑橘目标的跨频率域显著性特征

• 开发三大核心组件：

(1) 频率聚合网络（结合通道重校准与大卷积核空间建模）

(2) 多尺度编码器重建系统

(3) Haar小波融合模块（有效抑制上采样导致的频率混叠）

• 构建首个针对农业场景的Citrus-1K数据集，含密集标注的遮挡与小尺度柑橘样本

模型性能验证

在多样化果园场景测试中，SCORE-DETR展现出显著优势：

• •

  近距离拍摄时AP达58.3%，远距离仍保持49.1%

• •

  在通用小目标数据集VisDrone2019上实现29.9% AP/49.6% AP₅₀，帧率57 FPS

结论

本研究通过频率感知Transformer框架：

1. 1.

   填补了农业场景遮挡与小目标检测数据空白（Citrus-1K）

2. 2.

   创新性融合Haar小波物理建模与深度学习，提升特征解耦能力

3. 3.

   为智能采摘、产量预估等下游任务提供高精度技术支撑