加权犹豫模糊集上的Bonferroni均值算子及其在多标准对称群决策中的应用 马荣、曾文义

《Symmetry》：Bonferroni Mean Operators on Weighted Hesitant Fuzzy Set and Its Application in Multi-Criteria Symmetric Group Decision Making Rong Ma and Wenyi Zeng

多模态检测模型MFE-DETR通过Haar小波分解和自适应非线性优化解决跨模态特征融合问题，提升无人机监控中目标检测精度至78.6% mAP和57.8% mAP，并实现小目标检测AP提升18.6%。分隔符：

　　

摘要

多模态目标检测利用RGB和红外（IR）图像已成为无人机（UAV）监控应用中的关键研究领域，能够在各种光照和环境条件下提供可靠的感知能力。然而，现有方法面临三个主要挑战：（1）在异构模态中未能充分利用频域特性；（2）在不同环境场景下进行跨模态特征整合的适应性有限；（3）对细粒度空间关系的建模不足，导致目标定位不准确。为克服这些限制，我们提出了MFE-DETR，这是一种新型的多模态特征增强检测Transformer，通过三项互补创新实现了卓越的RGB-IR融合效果。首先，我们设计了双模态增强模块（DMEM），它包含两个专门的处理流程：Haar小波分解流程（HWD-Stream），用于进行多分辨率频域分析，以独立增强低频结构成分和高频纹理信息；以及注意力引导的Kolmogorov–Arnold细化流程（AKR-Stream），该流程采用可学习的样条参数化激活函数进行自适应非线性特征细化。其次，我们通过集成自适应特征融合模块（AFAM）来增强跨尺度通道特征融合模块，该模块具有根据空间信息动态调整模态贡献的机制。第三，我们引入了双线性注意力增强检测模块（BADM），该模块通过分解式双线性池化来建模二阶特征交互，从而实现细粒度的跨模态相关性分析。在DroneVehicle基准测试中的大量实验表明，MFE-DETR的mAP值达到了78.6%和57.8%，分别比现有方法高出5.3%和3.7%。在VisDrone数据集上的进一步评估进一步证实了该方法出色的泛化性能，特别是在小目标检测方面，其AP值达到了18.6%，比现有技术提高了1.5%。全面的消融研究和可视化分析为每个组件的有效性提供了详细见解。