摘要
在复杂交通场景中，小尺度目标和部分遮挡目标对目标检测模型的特征表示能力构成了重大挑战，同时日益增长的计算负担限制了检测效率。为解决这些问题，本研究提出了一种基于RT-DETR-R18的改进检测器，称为FSD-DETR。首先，在骨干网络中引入了一种频域感知动态卷积模块（FDConv），通过频域感知的特征提取来增强对小尺度目标的细粒度特征表示能力。其次，将可变形注意力机制引入AIFI编码阶段以构建AIFI-DA，该模块根据目标内容建立自适应空间采样，有效捕获包含相关上下文信息的局部表示，从而提升对部分遮挡目标的特征表示。此外，采用Slim-Neck进行轻量级多尺度特征融合，并将DySample集成到融合路径中，为高层语义信息与低层空间细节的聚合提供自适应上采样重建能力，同时降低特征变换与融合的计算开销。所提方法在KITTI、VisDrone和BDD100K数据集上分别进行独立训练与评估，以验证其在遮挡场景、小目标场景及多样化交通环境下的检测性能。实验结果表明，与RT-DETR-R18相比，FSD-DETR在减少模型参数量和计算成本的同时实现了更高的检测精度。所提出的框架为复杂交通场景中的目标检测提供了一种高效的架构方案。
