MSTDNet：基于平滑多尺度信息感知的交通目标检测网络及其在复杂场景中的应用价值

本文提出一种针对交通目标尺度分布不均的创新检测网络MSTDNet，通过强化卷积感受野（ERF）和构建平滑多尺度感知模块（SMSI-SE/SMSI-SW），显著提升中小尺度目标检测精度。该方法在海洋与陆地交通场景中达到SOTA性能（如SeaShips数据集），并在通用检测数据集MS COCO上取得46.6 AP（ResNet-50主干网），为极端天气下的交通目标检测提供有效解决方案。

　　

Highlight

我们提出SEconv并构建平滑多尺度信息感知模块，显著增强检测器的特征表征能力，实现跨尺度交通目标的精准检测。

我们采用计算友好的SWconv和SMSI-SW构建交互分支（IB），在保持分类与回归分支差异性的同时强化其关联性。

通过大量消融实验验证本文学术观点与方法有效性。实验结果表明MSTDNet在交通目标检测中达到SOTA性能，同时在通用目标检测中具备竞争力。

Traffic Object Detectors

多年来，基于深度学习的目标检测器已成为该领域主流方法，包括交通场景应用。两阶段检测器（如Fast R-CNN和Faster R-CNN）通过先识别感兴趣区域（ROI）再预测类别与边界框，尤其适用于检测复杂重叠的交通目标（如交叉口密集车辆）。在此基础上——

Overall Architecture

如图2(a)所示，提出的多尺度交通目标检测网络由主干网络、特征金字塔网络（FPN）和检测头组成。主干网与FPN提取丰富语义特征及低层级细节。检测头包含分类分支、回归分支和交互分支。为获得更鲁棒的特征表征，MSTDNet采用SMSI-SE构建分类与回归分支，并——

Experiments

为确保公平透明对比，所有对比实验（含本文方法与现有方法）均使用相同数据集训练并采用相同指标评估。

Conclusion

本文分析了交通目标的尺度分布特性，探究了检测器在不同尺度目标上的性能差异。我们提出专为交通场景设计的MSTDNet网络，通过实施平滑多尺度信息感知模块解决分布不均问题，显著提升中小型交通目标的检测精度。