FGAF-RCNN框架
Frequency-domain Geometric and Angular Fusion RCNN
本文提出的频域空间内几何与角度耦合的旋转目标检测方法，通过将几何特性与角度信息分别映射至频域空间进行耦合，实现几何与角度在频域空间中的联合表征，从而有效解决边界不连续问题，并增强模型对多形状目标的感知能力。
1
SA2M
Shape-Adaptive Amplitude Modeling
形状自适应振幅建模模块
- 频域振幅作为形状间接表征
- 长宽比动态映射至振幅编码
- 精准隐式建模目标形状
2
RASOM
Rotation-Adaptive Spectrum Optimization
旋转自适应频谱优化模块
- 角度映射到频谱相位分量
- 形状和方位耦合统一表示
- 傅立叶去噪解决边界不连续
核心模块详解
SA2M - 形状自适应振幅建模
核心思想
- • 不同形状目标在频域具有独特特征分布
- • 细长型目标采用 ω=2 编码策略（180°范围）
- • 类正方形目标采用 ω=4 编码（90°对称性）
- • 振幅表征目标在该方向上的形状显著性
技术实现
- • 长宽比 r > 1.2 划分为细长型
- • 利用MLP对长宽比进行非线性映射
- • 生成振幅调制因子 A
- • 动态调整频率参数适配目标形状
RASOM - 旋转自适应频谱优化
角度编码策略
- • 将角度信息编码至相位分量
- • 引入几何先验的频率参数
- • 振幅作为几何调制权重
- • 约束相位表示的多解模糊
频域优化
- • 振幅与相位耦合形成联合表征
- • 傅立叶去噪平滑处理
- • 解决边界不连续问题
- • 提升角度预测稳定性
频域表征的优势
频域信号本身具有的周期性与角度的周期性在结构上具有相似性。通过将问题从空间域转换至频域，可以利用频域的天然周期性特征来表征角度信息，从而从根本上解决边界不连续问题。
周期性匹配
频域振荡周期性与角度周期性自然对应，实现直接转换
振幅-相位耦合
振幅和相位内在关联，形状和角度统一表征
傅立叶去噪
频域平滑处理，消除边界突变，稳定回归目标
形状多样性处理策略
细长型目标
典型对象：船舶、桥梁、跑道
特征：显著的方向主轴，需覆盖180°范围
编码策略：ω=2，增强方向鲁棒性
振幅特性：主方向振幅响应强，能量集中
类正方形目标
典型对象：储油罐、广场、棒球场
特征：90°旋转对称性，各方向特征均匀
编码策略：ω=4，保持角度灵敏度
振幅特性：各方向能量分布均匀，调制因子趋近1