融合高分辨率网络的雾天目标检测算法

针对雾天场景中因图像模糊不清、目标难以分辨等原因导致错检、漏检的问题，提出了一种融合高分辨率网络的目标检测算法HR-Cascade RCNN。采用高分辨率网络HRNet作为Cascade RCNN的特征提取网络，通过不同分辨率的子网络并行连接，提取多尺度的特征信息，减少下采样过程中的信息损失，增强目标的语义信息表示；使用CIoU损失函数替换原有的Smooth L₁损失函数，引入惩罚项度量真实框与检测框之间宽高比的相关性，优化网络的收敛效果，有助于提高检测框的定位精度；最后，采用SoftNMS改进候选框选择机制，降低车辆遮挡等情况下的漏检率，提高网络检测能力。在真实雾天数据集RTTS和合成雾天数据集Foggy Cityscapes上的实验结果表明，HR-Cascade RCNN与原Cascade RCNN相比，mAP分别提高了5.9%和3%。     

基于YOLOv5的轻量级雾天目标检测方法

针对雾天场景下目标检测算法精度较低、模型复杂度较高,提出一种基于YOLOv5的轻量级雾天目标检测方法。采用感受野注意力模块(RFAblock)通过交互感受野特征信息,对感受野添加注意力机制,提高特征提取能力;采用轻量化网络Slimneck作为颈部结构,在保持精度的同时降低模型参数和复杂度;在损失函数中引入真实框与预测框之间的角度向量,提高训练速度和推理的准确性;采用PNMS(precise non-maximum suppression)改进候选框选择机制,降低车辆遮挡情况下的漏检率。在真实雾天数据集RTTS和合成雾天数据集Foggy Cityscapes上进行测试,实验结果表明,与YOLOv5l相比mAP50分别提高了4.9和3.5个百分点,模型参数量仅为YOLOv5l的54.6%。