In Szenarien der dichten Objekterkennung treten bei herkömmlichen Methoden Probleme wie Verlust hochfrequenter Kanteninformationen, Unschärfe bei der Hochskalierung und unzureichende Skalenanpassungsfähigkeit auf. Daher schlägt dieser Artikel einen auf Frequenzführung basierenden Objekterkennungsalgorithmus FW-YOLO vor. Der Algorithmus entwirft ein voll-dimensionales dynamisches Faltungsmodul mit Frequenzführung (FGODC), das Haar-Wavelet-Transformation zur Merkmalszerlegung nutzt und die hochfrequente Reaktion zur Auswahl der Faltungskerne einsetzt, um die Kantenerhaltungsfähigkeit in der Downsampling-Phase zu verbessern; er schlägt ein frequenzresidual-gesteuertes Upsampling-Modul (FRUpsample) vor, das hochfrequente Merkmale in den Upsampling-Pfad einspeist, um Kantendetails wiederherzustellen; er baut einen frequenzgesteuerten gemeinsamen Erkennungskopf (FGSHHead) auf, der skalierungsübergreifende Gewichtsteilung mit dem FiLM-Mechanismus kombiniert, um die Erkennungsfähigkeit für Objekte verschiedener Größen zu verbessern. Experimentelle Ergebnisse zeigen, dass diese Methode auf dem CrowdHuman-Datensatz die Genauigkeit, den Rückruf, mAP50 und mAP50:95 jeweils um 1,1%, 3,8%, 1,8% bzw. 2,0% verbessert, was die Wirksamkeit der Frequenzführungsstrategie in der dichten Objekterkennung bestätigt und einen neuen Lösungsansatz für die Aufgabe bietet.

Objekterkennung;Frequenzführung;Wavelet-Transformation;dynamische Faltung;Upsampling;dichte Fußgängererkennung