FDQ-Det：基于频率感知的空间建模与密度引导的微小物体检测方法

《ACM Transactions on Multimedia Computing, Communications, and Applications》：FDQ-Det: Frequency-Aware Spatial Modeling and Density-Guided Query for Tiny Object Detection

　　

摘要AI总结

要查看此由AI生成的总结，您需要拥有高级访问权限。

了解更多登录

摘要

摘要

微小物体检测面临特征表示有限、背景杂乱以及物体密度差异极大的问题。虽然基于Transformer的检测器能够利用全局上下文，但在密集场景中其物体查询往往存在不稳定性和冗余性。这主要是由于其对高频干扰的敏感性以及缺乏明确的空间引导。受光谱分析和误差归因研究的启发，我们提出了FDQ-Det框架，该框架通过频率感知的空间建模和密度引导机制来稳定查询行为。具体而言，计数密度空间先验模块利用连续密度估计为查询初始化提供结构化的空间引导。此外，还设计了高频抑制机制，以减弱有害的光谱成分，从而优化定位特征。为确保在拥挤场景中的稳定性，我们还引入了对抗性查询级正则化方法，防止密度线索与查询表示之间出现过度依赖。在AI-TODv2和VisDrone基准测试上的大量实验表明FDQ-Det的有效性。在具有挑战性的AI-TODv2数据集上，我们的方法在mAP指标上比优秀基线高出1.9%，在AP指标上高出2.5%，${}_{vt}$，这证明了将基于密度的先验与频率感知的特征建模相结合的有效性。

AI总结

AI生成的总结（实验性）

此总结是由自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助读者发现相关内容、评估文章相关性，以及帮助来自相关研究领域的读者理解本文内容。它是对作者提供的摘要的补充，而作者提供的摘要仍是文章的主要总结。完整文章才是最具权威性的版本。点击此处了解更多。

点击此处，可以对此总结的准确性、清晰度及实用性发表意见。您的反馈将有助于改进未来的总结版本。

要查看此由AI生成的通俗语言总结，您需要拥有高级访问权限。