Dans les scénarios de détection d'objets denses, les méthodes traditionnelles présentent des problèmes de perte d'informations de bord haute fréquence, de flou des détails lors de la suréchantillonnage et d'une adaptabilité insuffisante à l'échelle. Pour cela, cet article propose un algorithme de détection d'objets basé sur la guidance fréquentielle FW-YOLO. L'algorithme conçoit un module de convolution dynamique complète dimensionnelle guidée par la fréquence (FGODC), utilise la transformation en ondelettes Haar pour décomposer les caractéristiques, et combine la réponse haute fréquence pour guider la sélection des noyaux de convolution afin de renforcer la capacité de préservation des informations de bord lors de la phase de sous-échantillonnage ; propose un module de suréchantillonnage guidé par le résidu fréquentiel (FRUpsample), injectant des caractéristiques haute fréquence dans le chemin de suréchantillonnage pour restaurer les détails des bords ; construit une tête de détection partagée guidée par la fréquence (FGSHHead), combinant le partage de poids multi-échelle avec le mécanisme FiLM pour améliorer la détection d'objets à différentes échelles. Les résultats expérimentaux montrent que sur le jeu de données CrowdHuman, cette méthode améliore la précision, le rappel, le mAP50 et le mAP50:95 respectivement de 1,1 %, 3,8 %, 1,8 % et 2,0 %, validant ainsi l'efficacité de la stratégie guidée par fréquence dans la détection d'objets denses, apportant une nouvelle approche pour cette tâche.

détection d'objets;guidance fréquentielle;transformation en ondelettes;convolution dynamique;surréchantillonnage;détection dense de piétons