Les images en environnement brumeux présentent un faible contraste, les objets dans l’image sont flous et il est difficile d’en extraire les caractéristiques. Les méthodes actuelles de détection d’objets ont une précision faible sur les images brumeuses. Pour résoudre ce problème, cet article propose une amélioration de la partie extraction des caractéristiques et de la tête de prédiction dans le cadre Double-Head. Premièrement, un mécanisme d’attention composite bidimensionnel, à la fois canal et spatial, est ajouté aux cartes de caractéristiques profondes extraites pour améliorer la capacité du réseau à se concentrer sur les objets saillants ; ensuite, l’image originale est fusionnée avec la matrice a priori obtenue via une version améliorée de la méthode du canal sombre, ainsi qu’avec les cartes de caractéristiques traitées, afin d’obtenir une information plus complète des caractéristiques des images en brume ; enfin, une convolution séparable est introduite dans la tête de prédiction, utilisant une tête de prédiction découplée pour la classification et la régression finale des objets. Cette méthode atteint un mAP de 49,37 % sur le dataset RTTS, avec des scores AP de 66,7 % et 57,7 % sur les datasets synthétiques S-KITTI et S-COCOval respectivement. Comparé à d’autres algorithmes principaux, cet algorithme présente une meilleure précision de détection d’objets.

détection d’objets;images brumeuses;prior du canal sombre;mécanisme d’attention;fusion des caractéristiques