FCADet：极端天气下动态上下文感知融合与注意力引导抑制的交通检测技术

《Digital Signal Processing》：FCADet: Dynamic Context-Aware Fusion with Attention-Guided Suppression for Traffic Detection under Extreme Weather

本文提出FCADet模型，通过FlexFusionConv模块实现多尺度特征融合，结合CAttenFieldConv模块增强目标区域注意力并抑制背景干扰，创新性提出AWIoU损失函数提升定位精度。在EW-BDD100K数据集上较YOLOv8n提升mAP@50达4%（mAP@50:95提升2.2%），参数量仅2.1M，为智能交通系统（ITS）在极端天气下的多尺度目标检测提供轻量化解决方案。

　　

Highlight

深度学习目标检测器

传统交通场景理解方法（包括光流分析、背景建模和基于特征的目标检测）在结构化环境中显示出有希望的结果。然而，在极端天气（包括闪电、眩光、雨、雪和雾）或剧烈光照变化等复杂条件下，其性能显著下降。在此类场景中，鲁棒性和稳定性常常受到损害，导致漏检或误检。这些错误可能...

FCADet架构

图1展示了FCADet的整体框架，该框架旨在解决复杂交通环境中多尺度目标检测的挑战。当输入图像进入网络时，首先由骨干网络处理，其中提出的CAttenFieldConv扩大了感受野并增强了多尺度特征表示。这使得网络能够保留关于小型和远处目标的关键信息，而传统骨干网络常常忽略这些信息。在此基础上...

数据集

为了评估所提出的FCADet算法在极端交通场景下的可行性，我们在由伯克利DeepDrive团队开发的BDD100K数据集上进行了实验。BDD100K包含大约100,000张在不同天气和光照条件下捕获的带注释图像，涵盖八个目标类别：公共汽车、交通标志、行人、自行车、卡车、摩托车、汽车和骑行者。在我们的实验中，8,001张图像用于训练，1,000张用于验证，999张用于...

结论

本文提出了FCADet算法，旨在解决极端天气条件下交通环境中目标识别的挑战，特别是识别不同尺度下的小型和被遮挡目标。FCADet结合了FlexFusionConv模块，通过多尺度融合来增强特征表示。此外，CAttenFieldConv模块拓宽了感受野并融合了各种空间分辨率下的特征。再者，AWIoU改进了...