面向雾霾场景的特征增强YOLO11目标检测
Cheng Yong, Zhang Zhuocheng, Meng Yifei, Han Changlin, Wu Changchun, Li Chaofan
Nanjing University of Information Science and Technology China Institute of Water Resources and Hydropower Research
阅读操作
确认中在文库中上传 PDF 后可生成中文音频讲解。
摘要与影响
针对雾霾场景下图像低对比度、目标边缘模糊以及复杂背景干扰导致目标检测性能下降的问题,提出一种面向雾霾场景的特征增强目标检测网络SD-YOLO11。该方法以YOLO11为基础,从主干网络与颈部网络两个层面对模型进行协同优化。在主干网络中,引入SIBlock模块,通过递归空间交互增强模糊目标与小目标的特征表达能力;结合GhostConv与ADown模块,在降低计算冗余的同时提高关键特征保留能力。在颈部网络中,设计改进的BifpnCat特征融合结构,以增强多尺度语义信息与细节信息的交互能力;同时引入DASI注意力机制,对目标相关特征进行自适应增强,从而提升复杂雾霾场景下的目标感知能力。此外,通过优化特征拼接路径并增加P2检测头,进一步增强网络对小目标与低分辨率目标的检测能力。为了验证所提方法的有效性,在HazyDet、Foggy Cityscapes和RTTS数据集上开展对比实验。实验结果表明,SD-YOLO11在HazyDet数据集上的 mAP50 <?fx-imagestate width="8.12800026" height="3.21733332"?> <?fx-imagestate width="8.12800026" height="3.21733332"?> 和 mAP50-95 <?fx-imagestate width="11.93799973" height="3.21733332"?> <?fx-imagestate width="11.93799973" height="3.21733332"?> 分别达到78.8%和61.4%,较YOLO11分别提升1.4个百分点和2.0个百分点;在Foggy Cityscapes和RTTS数据集上同样取得优于主流检测方法的检测性能,并在小目标与低对比度目标检测任务中表现出更好的鲁棒性。研究结果表明,所提方法能够有效提升雾霾场景下目标检测的精度与稳定性,同时保持较好的实时检测性能,可为低能见度环境下的视觉感知任务提供有效技术支撑。
逐年被引趋势
暂无年度引用数据
关键指标
同类平均 = 1
同领域 · 同年份 · 同类型
Google Scholar 与 OpenAlex 的被引统计范围不同,数值存在差异属正常。
AI 辅助阅读
依据:摘要
可就本文提问;依据不足时会说明。
学术脉络
学科主题
计算机 / AIAdvanced Neural Network Applications
Domain Adaptation and Few-Shot Learning · Image Enhancement Techniques