摘要
在恶劣天气条件下进行小目标检测仍然具有挑战性，这主要是由于天气引起的领域变化以及小目标视觉线索的稀疏性。与主要依赖于特定天气条件下的恢复/增强或全局特征/幅度对齐的R-YOLO/QTNet和传统UDA方法不同，SABDR通过双向领域转换、退化感知的感受野建模、特征统计调制和风格方向对齐，明确针对跨天气条件的小目标适应问题。具体来说，双向动态领域适应网络（BiDDC-Net）在源领域和目标领域之间进行转换，并根据天气严重程度动态调整感受野。风格感知领域适应模块（AIFI-DA）利用特征统计来增强小目标的区分能力。SDA还作为一种补充的训练时正则化手段，用于在不直接匹配特征幅度的情况下促进风格方向的一致性。实验在Cityscapes→Foggy Cityscapes以及MOT-Fly→Foggy/Rainy/Snowy MOT-Fly场景中进行，包括新添加的雨天和雪天MOT-Fly设置，同时使用YOLOv5和YOLO26在所有MOT-Fly天气条件下进行评估。SABDR在Cityscapes→Foggy Cityscapes场景中的mAP得分达到了47.7%，在Foggy、Rainy和Snowy MOT-Fly场景中的mAP得分分别为96.0%/96.8%、66.7%/77.1%和95.0%/95.6%。这些结果表明了该方法在评估的雾天/雨天/雪天跨天气条件下的小目标检测中的有效性。
