YOLO-FOD：基于多分支与多尺度特征融合的恶劣天气轻量化目标检测

本文提出一种面向恶劣天气（如雾、雪、雨）的轻量实时目标检测模型YOLO-FOD。通过设计OSDBBELAN模块增强特征提取，采用SPD-DSC结构减少下采样信息损失，并引入GISM-DSC模块强化多尺度特征融合。实验表明，该模型在RTTS数据集上比基线模型计算量（GFLOPs）降低40.5%，检测精度（mAP50）提升4.1%，为复杂天气下交通管理系统提供了高效解决方案。

　　

亮点

我们提出一种面向恶劣天气（特别是雾天）目标检测的新型架构YOLO-FOD。与依赖图像去雾或增强模块的方法不同，YOLO-FOD引入创新的多分支、多尺度结构，并直接从恶劣天气条件下采集的数据集中学习。我们与多种先进轻量目标检测器进行了广泛比较，在多个基准数据集上的实验结果表明，其在真实恶劣场景中具有卓越的准确性和效率。

本文的主要贡献如下：

• •
  我们引入了具有强大特征提取能力的多样化分支块（Diverse Branch Block, DBB），并对其进行了优化以降低计算开销。此外，通过整合跨阶段部分网络（Cross Stage Partial Network, CSPNet），我们设计了在线可扩展多样化分支块与高效层聚合网络（Online Scalable Diverse Branch Block with Efficient Layer Aggregation Network, OSDBBELAN）模块，以取代YOLOv9中原有的RepNBotleneck结构。这显著增强了模型在复杂环境中提取鲁棒特征的能力。
• •
  我们将空间到深度（space-to-depth）变换的概念融入主干网络，并设计了结合深度可分离卷积（Depthwise Separable Convolution, DSC）的空间到深度结构（SPD-DSC）。该结构有效缓解了下采样造成的信息损失，同时保留了足够的空间信息。
• •
  我们提出了结合深度可分离卷积的全局信息共享模块（Global Information Sharing Module with Depthwise Separable Convolution, GISM-DSC），该模块基于可编程梯度信息（Programmable Gradient Information, PGI）改进了原有的颈部（neck）结构。通过缩短信息传输路径，该设计显著增强了恶劣天气条件下跨层的多尺度特征融合能力。
• •
  我们进一步提出了一种高效的F-EIoU损失函数优化策略，该策略能根据复杂环境中的样本难度自适应地关注关键目标区域。这提高了边界框回归的准确性，并加速了模型收敛。

在线可扩展多样化分支块

YOLOv9算法在理想光照条件下的目标检测任务中表现出高效性。然而，恶劣天气条件带来了重大挑战，使得精确检测和定位目标变得困难。具体而言，在雨、雪、雾等条件下，光线与大气颗粒相互作用，导致散射和吸收。这造成目标与背景之间的对比度降低，以及物体轮廓模糊。

数据集

在本文中，我们使用RTTS、DAWN和ExDark数据集的数据，对恶劣天气条件下的目标检测进行了深入分析。RTTS数据集专注于自然雾天场景，提供了丰富的雾天图像及物体标注。DAWN数据集包含在雾、雪、雨、沙尘暴等各种恶劣天气条件下捕获的真实世界图像。同时，ExDark数据集侧重于低光照条件下的目标检测。

消融实验

本消融实验系统评估了所提出的改进模块对YOLO-FOD在恶劣天气条件下车辆和行人检测任务的贡献。实验结果表明，当OSDBBELAN模块的参数n设置为2时，模型达到最佳性能（mAP₅₀: 63.7%, mAP: 37.4%），证明该深度配置有效增强了多尺度特征融合。

结论

本文提出了一种新颖的网络架构YOLO-FOD，专为恶劣环境条件下的目标检测而设计。该架构基于YOLOv9模型，旨在实现挑战性天气场景下的高效目标检测。具体而言，我们通过重参数化技术设计了OSDBBELAN框架，该框架在训练时采用多分支结构，在推理时转换为单分支配置。这种设计有效平衡了检测速度和准确性。