Imagens em ambientes nebulosos apresentam baixo contraste, com os alvos na imagem borrados e dificuldade na extração de características. Os métodos atuais de detecção de objetos apresentam baixa precisão em imagens com neblina. Para resolver esse problema, este artigo propõe melhorias na parte de extração de características e na cabeça de predição no framework Double-Head. Primeiramente, é adicionado um mecanismo de atenção composto de duas dimensões, canal e espaço, nos mapas de características profundas extraídas para aumentar a capacidade da rede de focar em alvos significativos; em seguida, a imagem original é fundida com a matriz prévia obtida por um canal escuro aprimorado e com os mapas de características processados para obter informações mais completas sobre as características das imagens nebulosas; finalmente, é introduzida uma convolução separável na cabeça de predição, utilizando uma cabeça de predição desacoplada para a classificação e regressão final dos alvos. Este método obteve um mAP de 49,37% no conjunto de dados RTTS e valores de AP de 66,7% e 57,7% nos conjuntos de dados sintéticos S-KITTI e S-COCOval, respectivamente. Em comparação com outros algoritmos principais, este método apresenta maior precisão na detecção de objetos.

detecção de objetos;imagens nebulosas;canal escuro prévio;mecanismo de atenção;fusão de características