南理工提出FMC-DETR：巧用“频率解耦”，航拍小目标检测精度飙升8.2% AP50

在广阔的航拍图像中，要准确地找出那些只占了几个像素点的微小目标，比如远处的车辆、行人，无疑是一项极具挑战性的任务。这就像是在一幅巨大的画卷中“找茬”，不仅考验眼力，更考验对整个画面的理解能力。这项技术在自然资源监测、交通管理、无人机搜救等领域至关重要。

目前的方法在处理这类问题时，常常陷入一个两难的境地：为了看清微小目标的细节，需要依赖网络浅层的、高分辨率的特征；但为了判断这个小目标到底是什么，又需要网络深层的、包含全局信息的上下文。如何有效地融合这两者，一直是个难题。

最近，来自南京理工大学的研究者们提出了一种全新的框架 FMC-DETR，巧妙地从“频域”入手，解决了这个难题。在他们的新论文 《FMC-DETR: Frequency-Decoupled Multi-Domain Coordination for Aerial-View Object Detection》 中，他们通过解耦不同频率的信息，实现了对航拍小目标前所未有的精准检测。

• 论文标题 : FMC-DETR: Frequency-Decoupled Multi-Domain Coordination for Aerial-View Object Detection

• 作者 : Ben Liang, Yuan Liu, Bingwen Qiu, Yihong Wang, Xiubao Sui, Qian Chen

• 机构 : 南京理工大学

• 论文地址 : https://arxiv.org/abs/2509.23056

• 代码仓库 : https://github.com/bloomingvision/FMC-DETR

在信号处理中，我们知道图像的高频部分对应着边缘、纹理等细节信息，而低频部分则对应着轮廓、背景等全局结构信息。

对于航拍小目标检测：

• 高频细节 至关重要，因为目标本身就很小，所有可用的视觉线索都包含在这些高频信息里。

• 低频上下文 同样不可或缺，它能帮助模型判断一个“小点”究竟是路灯、是车，还是噪声。

现有方法往往在网络深层才进行上下文融合，此时浅层的细节信息已经丢失很多。或者在融合时，全局信息（低频）会“污染”或“模糊”掉宝贵的局部细节（高频），导致性能瓶颈。

FMC-DETR：从频域入手，解耦多域协同

FMC-DETR的核心思想，就是 频率解耦（Frequency-Decoupled）。它不再将不同尺度的特征简单混合，而是先在频域上将它们分离开，有针对性地处理，最后再进行高效的多域协同（Multi-Domain Coordination）。

整个框架主要由三个创新模块构成：

1. WeKat骨干网 (Wavelet Kolmogorov-Arnold Transformer)

这是一个全新的骨干网络，也是实现频率解耦的关键。它包含两大“神器”：

• 小波变换 (Wavelet Transform) ：在网络的浅层特征上，作者创新性地引入了级联小波变换。小波变换是信号处理中一种强大的工具，能完美地将信号分解为高频和低频部分。这样一来，模型就可以在不破坏高频细节（保留小目标）的前提下，单独增强低频的全局上下文感知能力。

• Kolmogorov-Arnold网络 (KANs) ：这是近期非常火热的一种新型神经网络结构，理论上比传统的多层感知机（MLP）具有更强的非线性建模能力。作者用它来替代传统Transformer中的MLP，从而能更自适应地对多尺度特征之间的复杂依赖关系进行建模。

这个模块用于高效地融合来自不同阶段的特征，它通过局部融合的方式，减少了冗余计算，提升了多尺度特征的交互效率。

3. 多域特征协同 (MDFC)

这是最后的“总指挥”。它将来自空间域（原始像素）、频率域（小波处理后）和结构先验（模型学到的）的信息进行统一，实现优势互补，最终在保留细节和增强全局感知之间取得完美平衡。

更少参数，更高精度：SOTA级的检测性能

FMC-DETR不仅设计巧妙，实际效果也相当惊人。在极具挑战性的VisDrone等航拍数据集上，它以更少的参数量，取得了当前最先进（SOTA）的性能。

与基线模型相比，FMC-DETR在VisDrone数据集上，将整体检测精度（AP）提升了 6.5%，将在小目标上更为关键的AP50指标提升了 8.2%！

从下面的可视化热力图对比中，我们可以直观地看到FMC-DETR的优势。对于密集的小目标（如车辆），基线模型的注意力（亮区）非常分散，而FMC-DETR的注意力则能精准地聚焦在每一个目标上，从而实现了更准确的检测，减少了漏检和误检。

与基线模型在不同数据集上的定性比较：

从中大家也可以看到此类小目标检测的难度的确不小。

FMC-DETR的成功，为应对计算机视觉中的多尺度问题，特别是小目标检测，提供了一个全新的、极具潜力的思路。作者也提供了代码仓库，期待后续代码的放出。

将信号处理中的频域分析思想引入到目标检测，大家觉得这个方向还有哪些潜力可挖？欢迎在评论区分享你的看法！