团队近期成果--面向复杂农业场景的双域融合Transformer杂草检测框架
我们团队在《Information Sciences》（IF：6.8，中科院二区TOP）上发表论文“A Dual-Domain Detection Transformer for Fine-Grained Weed Detection in Complex Agricultural Scenes”。该论文上海大学计算机工程与科学学院为第一单位。
杂草检测是精准农业、智能除草和智慧农田管理中的关键技术。然而，在复杂农业环境中，由于作物与杂草外观高度相似、目标遮挡严重、背景干扰复杂以及尺度变化显著等因素，现有检测方法容易出现误检和漏检，难以满足实际应用需求。针对上述问题，本文提出了一种双域融合检测Transformer框架FS-DETR（Frequency-Spatial Detection Transformer），通过协同建模空间域与频域信息，实现复杂农业场景下细粒度杂草目标的精准检测。
具体而言，本文提出了一种混合特征融合模块（Hybrid Feature Fusion，HFF），通过融合多尺度空间特征与频域高频信息，增强模型对细粒度纹理特征和边缘信息的表达能力，从而有效缓解杂草与作物重叠以及复杂背景干扰带来的检测困难。同时，设计了双域注意力机制（Dual Domain Attention Mechanism，DDAM），将频域注意力与可变形注意力进行自适应融合，在编码阶段充分挖掘空间结构信息与频域纹理信息，提高模型在复杂农业环境中的特征提取与目标辨识能力。进一步地，构建了基于高斯分布与约束引导的标签分配模块（Gaussian Distribution-based and Constraint-guided Label Assignment，GCLA），优化杂草与作物目标的标签匹配过程，提高训练阶段的监督质量和检测精度。
在WeedCrop、LincolnBeet和MH-Weed16三个公开农业杂草数据集上的实验结果表明，FS-DETR均取得了优异性能。其中，在WeedCrop、LincolnBeet和MH-Weed16数据集上分别获得47.2%、60.4%和32.5%的AP，相较基线模型分别提升1.4%、1.0%和0.6%。此外，在小目标杂草检测任务中，FS-DETR分别较当前次优方法提升1.2%和0.2%，展现出良好的细粒度目标检测能力和复杂场景鲁棒性，为智能农业中的精准杂草管理提供了新的技术方案。
论文链接：A Dual-Domain Detection Transformer for Fine-Grained Weed Detection in Complex Agricultural Scenes
代码链接：https://github.com/YanSun-github/FS-DETR
