《Pattern Recognition》：Frequency-domain enhancement and regional cross-modal fusion for long-range small object 3D detection
编辑推荐：
•提出双频域特征增强模块以提升特征质量。•提出坐标注意力与多尺度融合模块用于特征融合。•所提出的框架能够在nuScenes数据集上实现远距离小物体的检测。引言作为智能驾驶系统中的关键组成部分，3D物体检测对于保障安全至关重要[1]。在复杂的交通场景中，远距离小物体的检测精度与系统
- •
提出双频域特征增强模块以提升特征质量。
- •
提出坐标注意力与多尺度融合模块用于特征融合。
- •
所提出的框架能够在nuScenes数据集上实现远距离小物体的检测。
引言
作为智能驾驶系统中的关键组成部分，3D物体检测对于保障安全至关重要[1]。在复杂的交通场景中，远距离小物体的检测精度与系统的反应速度以及规划策略的安全性密切相关[2]。在此研究中，小物体主要指在鸟瞰图视角下几何占据面积较小、点云表示较为稀疏的物体，尤其是在远距离条件下。这类物体包括体积较小的交通参与者（如行人、自行车和摩托车），以及距离超过30米的远处目标，由于激光雷达数据的稀疏性，这类目标的特征表示会严重受损。随着智能驾驶向更高自动化水平发展，将相机语义信息与激光雷达几何信息相融合的多模态3D物体检测已成为提升检测性能的重要方向[3]。然而，现有的基于鸟瞰图和Transformer的方法仍难以解决因远距离点云稀疏性导致的特征退化问题[4]，如图1(a)和(b)所示。
具体而言，定量研究表明，距离超过30米的小物体极易受到严重的点云稀疏性和特征退化影响，这使得针对这类远距离小物体的常用基准模型的检测性能相比附近物体下降近65%[5]、[6]。如此显著的性能下降凸显出解决这一问题的紧迫性。为突破这一瓶颈，我们引入频域特征来丰富空间域信息，并采用多阶段增强策略提升特征的显著性。该方法有效提升了在稀疏远距离区域中小物体的检测能力，如图1(c)所示。
传统的空间注意力机制依赖于局部感受野，但由于在鸟瞰图表示中远距离小物体的点云极为稀疏，这类机制往往无法捕捉到有意义的上下文信息[7]。从频率分析的角度来看，由于边缘轮廓较为稀疏且局部几何变化剧烈，远距离的稀疏小物体通常比平滑变化的背景区域具有更丰富的结构高频响应[8]。不过，频域建模也带来了一个重要挑战：高频分量不仅包含有价值的结构边缘，还包含无序的传感器噪声以及由稀疏性引发的伪影。因此，直接放大所有高频响应可能会无意中强化不稳定的噪声模式，从而降低检测的鲁棒性[9]。为妥善解决这一问题，我们提出的DFD-FEM模块结合了傅里叶变换的全局频率建模与小波变换的局部时频分析。这种设计使得网络能够有效区分有结构的高频信号与随机噪声信号。通过我们的频谱分析进一步验证，该模块能够精准分离并强化小物体的结构响应，同时同步抑制稀疏性伪影，从而为远距离感知提供高度可靠的特征表示。
此外，尽管SemDiff等方法在优化复杂场景下视觉目标的细粒度感知与特征交互方面取得了显著进展[10]，但目前的3D多模态融合方法在处理小物体时仍存在局限性。现有的注意力机制更侧重于通道间的关联而非空间定位，这导致远距离小物体原本较弱的特征被进一步削弱[11]。此外，当前的多尺度策略往往依赖简单的特征拼接方式，无法区分高层语义信息与低层细节特征的差异[12]。为解决这些问题，我们提出了MCM模块。该模块通过引入空间坐标信息来提升定位精度，并采用分层融合机制有效保留细粒度细节与语义信息。这样一来，便提升了鸟瞰图空间中远距离小物体的可感知性与鲁棒性。
我们将DFD-FEM模块与MCM模块相结合，构建出了SFCNet模型。DFD-FEM模块通过引入频域信息来增强高频纹理与边缘特征，有效降低了稀疏区域的信息损失，从而缓解鸟瞰图特征的退化问题。与此同时，MCM模块通过坐标增强技术实现多尺度图像特征与点云特征之间的深度交互，提升了系统对小物体的空间敏感度。通过协同利用频域与空间域信息，SFCNet实现了更优异的检测性能。实验结果显示，对于距离超过30米的目标，该模型的检测效果提升了12%，而对于行人、自行车等小物体类别，其检测性能也有显著提升，充分证明了其在稀疏点云环境下的强大实用性。
本文的主要贡献如下：
(1) 为解决远距离区域中激光雷达数据稀疏以及鸟瞰图特征弱的问题，我们提出了DFD-FEM模块。该模块通过整合局部高频特征与全局语义特征，提升了远距离小物体的细粒度表征能力与检测精度。
(2) 为克服现有多模态融合方法的局限性，我们设计了MCM模块。该模块通过引入空间坐标与分层融合策略，进一步提升了小物体的检测性能。
(3) 通过整合这两个模块，我们开发出了SFCNet模型，并在nuScenes数据集上进行了测试，结果表明其在整体精度、远距离检测鲁棒性以及小物体检测性能方面均优于传统基准模型。
章节要点
单模态3D物体检测
单模态3D物体检测方法包括基于相机和基于激光雷达的技术，广泛应用于智能驾驶系统中。基于相机的检测方法可分为单目检测与多视图检测两类。单目检测方法如Dp-M3D[13]通过深度估计来弥补深度信息的不足，而多视图检测方法如BEVDepth[14]则借助显式的深度监督信息。基于激光雷达的检测方法包括基于点的数据处理方法，例如SECOND[15]，该方法通过对点云进行体素化处理，从而实现高精度检测且计算效率较高
整体架构
所提出的SFCNet框架通过三个阶段——多模态特征提取、特征融合，以及频域坐标增强双流变换与特征增强——将多源特征整合到统一的鸟瞰图表示中，从而提升小物体的检测能力。首先，多视图图像与体素化后的点云分别经过坐标增强双流变换处理以及3D骨干网络处理，之后再被融合为统一的鸟瞰图表示
数据集与评估指标
nuScenes数据集：该数据集包含共计1000个不同的场景，其中700个用于训练，150个用于验证，150个用于测试。它涵盖了10种物体类别：汽车、卡车、公交车、拖车、施工车辆、交通锥、护栏、摩托车、自行车和行人。在nuScenes数据集上的性能评估主要依据两个核心指标：平均精度均值（mAP）与nuScenes检测分数（NDS）。具体而言，mAP是通过对
结论
在自动驾驶场景中，稀疏的远距离点云以及弱化的中小物体特征长期以来一直制约着多模态3D物体检测的性能。为解决这一问题，我们提出了一种名为SFCNet的新型多模态检测框架。DFD-FEM模块通过利用局部高频边缘与全局频域语义信息来补充空间域特征，有效增强了小物体的结构细节与特征显著性。与此同时，MCM模块
CRediT作者贡献说明
田迪：撰写——审阅与编辑，撰写——初稿，方法论，研究工作，概念构思。王嘉伟：撰写——审阅与编辑，撰写——初稿，可视化，方法论。李佳博：撰写——审阅与编辑，项目管理，研究工作，资金获取。龚明明：指导工作，方法论。石佳航：指导工作。
关于论文撰写过程中生成式AI与AI辅助技术的声明
本论文的撰写过程中未使用任何生成式AI工具。
利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知利益冲突或个人关系。
致谢
本研究部分得到了陕西省自然科学基础研究计划（编号：2025JC-YBQN-645）、陕西省重点研发计划（编号：2024CY2-GJHX-31）、陕西省教育厅科学研究计划（编号：24JR128）、西咸新区科技计划（编号：JBGS-2023-011）以及西安石油大学研究生创新基金项目（编号：YCX2612052）的支持。
田迪|王嘉伟|李佳博|龚明明|石佳航
