细节增强：一种改进的恶劣天气目标检测方法

母 崇铭
桂林电子科技大学

摘要


目标检测是城市道路交通检测的基础。如何实现快速且精确的检测是城市道路交通检测需要解决的重要问
题。随着Transformer的提出，自注意力机制在目标检测中被广泛应用，在交通检测领域，也具有不错的效果。但是
在恶劣天气条件下（如雨、雪、雾天），检测效果会受到极大影响。本文聚焦于道路交通恶劣天气场景，在目标检测
网络中引入注意力机制FLA与并行特殊卷积DEconv，以增强模型在恶劣天气下检测的抗干扰性。测试表明，本文的
方法提升了检测效果，具备较强的鲁棒性。

关键词


恶劣天气；目标检测；FLA；DEconv

全文:

PDF


参考


[1]Bochkovskiy A, Wang C Y, Liao H Y M. Yolov4:

Optimal speed and accuracy of object detection[J]. arXiv

preprint arXiv:2004.10934, 2020.

[2]Howard A, Sandler M, Chu G, et al. Searching for

mobilenetv3[C] //Proceedings of the IEEE/CVF international

conference on computer vision. 2019: 1314-1324.

[3]钱磊，赵长海，孙明.关于我国智能交通系统发展

的思考[J].内蒙古科技与经济，2021，（19）：94-95+97.

[4]祝培.恶劣天气环境下图像的清晰化[D].西安理

工大学，2004.

[5]徐 彦 威， 李 军， 董 元 方， 等.YOLO系 列 目 标

检测算法综述[J].计算机科学与探索，2024，18（09）：

2221-2238.

[6]Yu C , Mai Y , Yang C ,et al.IA-YOLO: A Vatica

Segmentation Model Based on an Inverted Attention Block

for Drone Cameras[J].AGRICULTURE-BASEL, 2024,

14(12):2252.

[7]尹靖涵，瞿绍军，姚泽楷，等.基于YOLOv5的

雾霾天气下交通标志识别模型[J].计算机应用，2022，42

（09）：2876-2884.

[8]梁天添，杨淞淇，钱振明.基于改进YOLOv8s的

恶劣天气车辆行人检测方法[J].电子测量技术，2024，47

（09）：112-119.


Refbacks

  • 当前没有refback。