DFA-YOLO：可变形空间注意力与分层融合技术，用于恶劣天气条件下的鲁棒目标检测 作者：谢璐（Lu Xie）与程丽文（Liwen Cheng）

《Sensors》：DFA-YOLO: Deformable Spatial Attention and Hierarchical Fusion for Robust Object Detection in Adverse Weather Lu Xie and Liwen Cheng

　　

摘要

在复杂的现实世界场景中，由于严重的噪声干扰和特征退化，对象检测面临诸多挑战。为克服这些限制，本文提出了DFA-YOLO，这是一个改进的YOLOv11框架，集成了三项关键创新。首先，在C3k2主干网络中引入了可变形空间注意力（DSA）模块，该模块能够动态调整感受野以关注具有信息量的空间区域，从而显著提升模型对几何变化和被遮挡对象的适应能力。其次，设计了分层多尺度融合模块（HMFM），用于动态重新校准不同尺度下的特征响应，增强模型对多尺度目标的感知能力。第三，改进的Wasserstein损失函数结合了小对象自适应权重和动态梯度调制，以解决在不利条件下的边界模糊和尺度敏感性问题。在RTTS数据集上的广泛实验验证了该方法的优越性，mAP50和mAP50-95的指标分别提升了3.4%和2.8%。在Exdark数据集上的额外实验进一步证实了该方法具有强大的泛化能力，在所有基准测试中均观察到显著的准确性提升。