融合频域增强与方向感知特征融合的YOLO-FWF轻量级场景文本检测模型

《Scientific Reports》：YOLO-FWF: a lightweight frequency–wavelet feature fusion network for robust scene text detection

　　

摘要

场景文本检测仍然面临巨大挑战，原因在于尺度变化大、笔画结构细长、背景复杂、对比度低以及文本方向任意。针对这些问题，本文提出了一种基于YOLO11n的改进型轻量级场景文本检测模型——YOLO-FWF。首先，在骨干网络中引入C3k2_FrequencyCM模块，通过将傅里叶域幅度补偿与空间高频特征增强相结合，增强细粒度文本表示能力，从而提升网络对文本笔画、边缘及弱纹理线索的敏感度。其次，设计C2PSA_WDAM模块以替代原有的C2PSA结构。该模块通过小波变换将特征分解为低频语义分量和高频细节分量，利用高频信息引导注意力建模并抑制背景干扰。第三，提出一种傅里叶角度对齐融合模块用于多尺度特征融合。该模块在频域中估计局部主导方向，在融合前将高层语义特征与低层结构特征进行方向对齐，从而提升对倾斜、弯曲及不规则文本实例的检测能力。在两个基于Roboflow平台的场景文本数据集上的实验表明，YOLO-FWF在保持轻量结构的同时实现了优越的检测精度。在文本场景计算机视觉数据集上，YOLO-FWF以仅289万个参数和6.7 GFLOPs的代价达到了86.8%的mAP50和64.2%的mAP50:95。在文本检测数据集上，其mAP50达到54.7%，mAP50:95达到34.6%，在相同评测设置下优于YOLO11n及其他主流检测器。这些结果验证了频域增强、小波引导注意力和方向感知特征融合在评测数据集上的有效性。由于当前实验未包含标准公开场景文本基准，更广泛的泛化能力仍有待进一步验证。