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/PMC13075294/pdf/sensors-26-02229.pdf计算机视觉研究院专栏Column of Computer Vision Institute本文提出DFA‑YOLO基于 YOLOv11 深度改进专为恶劣环境打造实测 mAP50 提升3.4%mAP50‑95 提升2.8%在雾天与低光场景表现碾压主流模型PART/1痛点在雨、雾、雪、低光等复杂路况中现有检测器面临三大致命问题图像噪声大、对比度低特征严重退化目标尺度跨度大小目标、远距离物体极易漏检边界模糊传统 IoU 损失定位不准、梯度不稳定无论是自动驾驶还是交通监控PART/2创新创新DFA‑YOLO 三大核心升级破解恶劣环境难题团队从特征提取、多尺度融合、损失函数三个维度重构 YOLOv11形成完整的恶劣天气适配架构。DFA‑YOLO 整体网络结构1. C3k2‑DSA可变形空间注意力精准抓关键把可变形空间注意力DSA 嵌入主干 C3k2 模块动态调整感受野聚焦有效区域适配遮挡、形变、模糊目标几乎不增加计算负担保持轻量化C3k2‑DSA 模块结构2. HMFM分层多尺度融合大小目标都不放过设计分层多尺度融合模块四分支并行处理小目标强化细节抑制噪声中目标扩展感受野提升语义大目标全局上下文精准轮廓自适应权重融合不用人工调参HMFM 模块结构3. SWAWIoU小目标自适应 Wasserstein 损失定位更稳提出小目标自适应 WIoU 损失基于 Wasserstein 距离梯度更平滑加入小目标加权解决雾天小目标难检动态梯度调制避免劣质框干扰训练数值更稳定训练不震荡IoU 几何示意PART/3实验团队在 RTTS与ExDark两大权威数据集上进行 75 场以上对比实验硬件RTX 3090训练 200 轮。实验环境配置核心结果RTTS 数据集相对提升mAP503.4%mAP50‑952.8%精度 P80.3%召回 R67.3%计算量仅 6.6 GFLOPs保持实时推理RTTS 消融实验结果ExDark 消融实验结果不同损失函数对比与 SOTA 模型对比结果可视化效果雾天车辆、行人DFA‑YOLO不漏检、框更准低光场景显著优于原版 YOLOv11Grad‑CAM 热力图模型更聚焦目标不受背景干扰不同模块效果对比图YOLOv11 vs DFA‑YOLO 检测效果Grad‑CAM 热力图对比PART/4总结与展望价值与展望更安全的自动驾驶感知方案DFA‑YOLO 实现了精度‑效率‑鲁棒性三者平衡轻量化适合车载端部署雾天、雨天、低光全场景适配可直接用于自动驾驶、智慧交通、道路监测未来可进一步优化极小目标检测并推向实车嵌入式平台让恶劣天气不再是智能驾驶的安全隐患。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