点击蓝字

关注我们

关注并星标

从此不迷路

计算机视觉研究院

公众号ID｜计算机视觉研究院

学习群｜扫码在主页获取加入方式

https://pmc.ncbi.nlm.nih.gov/articles/PMC12808097/pdf/41598_2025_Article_31660.pdf

计算机视觉研究院专栏

Column of Computer Vision Institute

本文提出的一套自注意力驱动多尺度目标检测框架，专门攻克雨、雾、雪、沙尘、低光照场景，在公开恶劣天气数据集上拿下97.25% 准确率，全面超越 YOLOv5、YOLOv8、DETR 等主流模型，成为智慧城市监控的 “全天候眼睛”。

PART/1

    痛点   

行业痛点：恶劣天气，直接击穿传统监控

智慧城市交通、广场、社区安防，长期被四大难题卡脖子：

1. 能见度极差：雾、雨、雪、沙尘让画面模糊，物体边界消失，算法直接失效
2. 小目标易漏检：遗弃物、小零件、远处车辆占像素少，常规模型直接忽略
3. 误报率超高：光影突变、树叶晃动、雨水反光，都被当成 “异常目标”
4. 夜间完全失效：纯可见光摄像头在黑暗中几乎没有检测能力

传统背景减法、运动分析、甚至主流 YOLO 系列模型，在恶劣天气下性能大幅跳水，既不抗干扰，也抓不住细节，无法满足实时安防与交通管控需求。

PART/2

     技术创新   

技术创新：四模块深度融合，从 “看得清” 到 “判得准”

研究团队没有简单堆砌模块，而是打造ADBM–PFSM–ASM–SAO-YOLO 一体化 pipeline，把背景净化→特征筛选→遗弃判定→精准检测全程打通，实现端到端鲁棒检测。

1. ADBM+PFSM：先把雨雾噪声 “滤干净”

• ADBM 自适应双背景模型

  同时维护短期背景（快速适应光照突变）和长期背景（保持场景稳定），精准分离真实目标与雨雾、抖动、反光等干扰。

• PFSM 像素级有限状态机

  逐像素判定：背景 / 遮挡 / 静态前景 / 动态前景，把可疑静止区域精准框出，减少后续检测压力。

2. 热成像 + 可见光双模态融合：黑夜雾天也 “通透”

这是模型抗恶劣天气的核心杀手锏：在FPN 特征金字塔 P3 层直接融合可见光 + 热成像特征：

• 可见光：保留纹理、边缘、颜色细节

• 热成像：提供强对比度，穿透雾、霾、黑夜两者互补，让模型在完全无光、浓雾场景下依然稳定识别。

3. SAO-YOLO+SODHead：专门 “盯紧” 小目标

• SAO-YOLO 自注意力优化主干

  加入自注意力层，自动聚焦重要区域，忽略背景噪声。

• SODHead 小目标解耦头

  专为小物体、被遮挡物体设计，强化细粒度特征，解决 “小目标看不见” 难题。

• 多尺度特征提取

  同时捕捉大物体全局结构与小物体局部细节。

4. ASM 遗弃物判定：只报警 “真隐患”

通过两个规则过滤误报：

1. 目标持续静止时长达标

2. 目标与行人保持安全距离自动判定是否为遗弃物品，大幅降低无效报警。

PART/3

     实验   

实测效果：全面碾压 SOTA，恶劣天气稳拿第一

模型在DAWN 恶劣天气数据集（雾 / 雨 / 雪 / 沙尘 / 低光）严格测试，关键指标：

• 准确率：97.25%

• 精确率：95.33%

• 召回率：96.37%

• F1-score：96.55%

• mAP@0.5：97.81%

【本文模型 vs 传统循环网络（GRU/RNN/LSTM/Bi-LSTM）对比柱状图】

【本文模型 vs YOLOv5/v7/v8、Faster R-CNN、DETR 精度对比表】

【雾 / 雨 / 雪不同天气下 mAP 对比】

核心优势一目了然：

• 相比传统循环模型，精度提升近 10 个百分点

• 相比当前最强 YOLOv8，mAP 高出 2.5%

• 雾 / 雨 / 雪三类恶劣天气，mAP 均超 88%

• 推理速度36ms / 帧，满足近实时监控部署

• 跨数据集泛化强，迁移到 COCO 仅下降 2.1% mAP

PART/4

     落地价值   

落地价值：智慧城市安防，真正全天候守护

这套模型不是实验室 “花瓶算法”，而是面向真实场景的工程化方案：

✅ 适用场景

• 城市道路交通监测（车辆、行人、异常障碍物）

• 广场 / 车站 / 社区遗弃物品实时预警

• 雾天、夜间、沙尘天智能安防

• 智慧路口、自动驾驶车载感知

✅ 核心价值

• 恶劣天气不降级、不漏检、不误报

• 小目标 / 遮挡物体检出率大幅提升

• 双模态融合黑夜也能稳定工作

• 轻量化设计，可部署在Jetson、树莓派、边缘盒子

未来团队还将进一步做模型压缩、量化，降低功耗与延迟，让它能在更多低成本 IoT 设备上大规模落地。

PART/5

     结语   

雨雾、沙尘、黑夜，不再是智能监控的 “软肋”。这一套自注意力 + 多尺度 + 双模态融合的检测框架，把 “看不清、测不准、漏检多” 变成 “全天候、高精度、低误报”，为智慧城市交通与公共安全，筑起一道可靠的AI 全天候防线。

有相关需求的你可以联系我们！

END

转载请联系本公众号获得授权

计算机视觉研究院学习群等你加入！

ABOUT

计算机视觉研究院

计算机视觉研究院主要涉及深度学习领域，主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。研究院每日分享最新的论文算法新框架，提供论文一键下载，并分享实战项目。研究院主要着重”技术研究“和“实践落地”。研究院会针对不同领域分享实践过程，让大家真正体会摆脱理论的真实场景，培养爱动手编程爱动脑思考的习惯！

往期推荐 

🔗

• YOLO-TLA：一种基于 YOLOv5 的高效轻量级小目标检测模型

• ViT-YOLO：基于Transformer的用于目标检测的YOLO算法

• SSMA-YOLO：一种轻量级的 YOLO 模型，具备增强的特征提取与融合能力，适用于无人机航拍的船舶图像检测

• LUD-YOLO：一种用于无人机的新型轻量级目标检测网络

• Gold-YOLO：基于聚合与分配机制的高效目标检测器

• Drone-YOLO：一种有效的无人机图像目标检测

• 「无人机+AI」“空中城管”

• 无人机+AI：光伏巡检自动化解决方案

• 无人机视角下多类别船舶检测及数量统计
  

• 机场项目：解决飞行物空间大小/纵横比、速度、遮挡等问题引起的实时目标检测问题

• 2PCNet：昼夜无监督域自适应目标检测（附原代码）

• YOLO-S：小目标检测的轻量级、精确的类YOLO网络

• 大改Yolo框架 |  能源消耗极低的目标检测新框架（附论文下载）

• 改进的检测算法：用于高分辨率光学遥感图像目标检测