Bilder bei Nebel weisen einen niedrigen Kontrast auf, die Objekte im Bild sind verschwommen und die Merkmalsextraktion ist schwierig. Bestehende Objekterkennungsmethoden haben eine geringe Erkennungsgenauigkeit bei Nebelbildern. Um dieses Problem zu adressieren, verbessert dieser Artikel den Double-Head-Rahmen im Bereich der Bildmerkmalsextraktion und des Vorhersagekopfes. Erstens wird auf den extrahierten tiefen Merkmalskarten ein zusammengesetzter Aufmerksamkeitsmechanismus auf Kanal- und Raumdimension hinzugefügt, um die Fähigkeit des Netzwerks zu erhöhen, sich auf signifikante Objekte zu konzentrieren; zweitens wird das Ausgangsbild zusammen mit der verbesserten Dunkelkanal-Vorerwartungsmatrix und den Merkmalskarten fusioniert, um umfassendere Nebelbildmerkmale zu erhalten; schließlich wird im Vorhersagekopf eine separierbare Faltung eingeführt, die eine entkoppelte Vorhersagekopf verwendet, um die endgültige Klassifikation und Regression der Objekte durchzuführen. Die Methode erreicht einen mAP von 49,37 % auf dem RTTS-Datensatz sowie AP-Werte von 66,7 % und 57,7 % auf den synthetischen Datensätzen S-KITTI und S-COCOval. Im Vergleich zu anderen führenden Algorithmen weist die vorgestellte Methode eine höhere Objekterkennungsgenauigkeit auf.

Objekterkennung;Nebelbilder;Dunkelkanal-Vorerwartung;Aufmerksamkeitsmechanismus;Merkmalsfusion