FogGuard：利用感知损失保护YOLO免受雾天影响
计算机视觉与模式识别
2025-08-19 v2 机器学习
摘要
在本文中，我们提出了FogGuard，一种新颖的雾感知目标检测网络，旨在应对雾天条件带来的挑战。自动驾驶系统严重依赖准确的目标检测算法，但恶劣天气条件会显著影响深度神经网络(DNN)的可靠性。现有方法包括诸如IA-YOLO的图像增强技术和域适应方法。图像增强旨在从雾天图像中生成清晰图像，这比在雾天图像中进行目标检测更具挑战性；而域适应则不需要目标域中的标注数据。我们的方法涉及在特定数据集上进行微调，以高效地应对这些挑战。FogGuard通过将YOLOv3作为基线算法，并引入独特的师生感知损失以在雾天环境中进行准确目标检测，从而补偿场景中的雾天条件，确保稳健的性能。通过在PASCAL VOC和RTTS等标准数据集上的全面评估，我们的网络显著提升了性能，在RTTS数据集上实现了69.43%的mAP，而YOLOv3为57.78%。此外，我们证明，尽管我们的训练方法略微增加了时间复杂度，但与常规YOLO网络相比，它在推理阶段并未增加额外开销。
引用
@article{arxiv.2403.08939,
title = {FogGuard: guarding YOLO against fog using perceptual loss},
author = {Soheil Gharatappeh and Sepideh Neshatfar and Salimeh Yasaei Sekeh and Vikas Dhiman},
journal= {arXiv preprint arXiv:2403.08939},
year = {2025}
}
备注
8 pages, 1 figures, submitted on Robotic and Automation Letters