D-YOLO：一种用于恶劣天气条件下物体检测的鲁棒框架

Zihan Chu

D-YOLO：一种用于恶劣天气条件下物体检测的鲁棒框架

计算机视觉与模式识别 2024-03-21 v2 图像与视频处理

作者: Zihan Chu

摘要

包括雾霾、雪和雨在内的恶劣天气条件会导致图像质量下降，这通常会引起基于深度学习的检测网络性能下降。大多数现有方法试图在进行物体检测之前校正有雾图像，这增加了网络的复杂性，并可能导致潜在信息丢失。为了更好地整合图像恢复和物体检测任务，我们设计了一个带有注意力特征融合模块的双路径网络，同时考虑有雾和去雾特征。我们还提出了一个子网络，为检测网络提供无雾特征。具体而言，我们的D-YOLO通过最小化清晰特征提取子网络与检测网络之间的距离来提升检测网络的性能。在RTTS和FoggyCityscapes数据集上的实验表明，D-YOLO与最先进的方法相比表现出更优的性能。它是一个鲁棒的检测框架，用于弥合低级去雾与高级检测之间的差距。

关键词

物体检测恶劣天气图像去雾注意力特征融合双路径网络 D-YOLO 鲁棒框架

引用

@article{arxiv.2403.09233,
  title  = {D-YOLO a robust framework for object detection in adverse weather conditions},
  author = {Zihan Chu},
  journal= {arXiv preprint arXiv:2403.09233},
  year   = {2024}
}

备注

Object detection in adverse weather conditions. arXiv admin note: text overlap with arXiv:2209.01373 by other authors

D-YOLO：一种用于恶劣天气条件下物体检测的鲁棒框架

摘要

关键词

引用

备注

相关论文