في ظروف الضباب، يؤدي تشتت الغلاف الجوي إلى تقليل شدة الإضاءة في الصور، مما يؤدي إلى انخفاض التباين في صور الاستشعار عن بعد ويؤثر على أداء نماذج الكشف عن الأهداف. تبحث الدراسات الحالية هذه المشكلة من خلال تدريب النماذج على بيانات ضبابية أو استخدام معالجة إزالة الضباب قبل تحليل الصور، ولكن المعالجة قد تؤدي إلى فقدان الخصائص، مما يصعب ضمان وجود علاقة ارتباط إيجابية مستمرة بين نتيجة إزالة الضباب ومهمة الكشف عن الأهداف، أي أن نتائج إزالة الضباب مفيدة لمهمة الكشف. لذلك، يقترح هذا البحث طريقة الكشف عن الأهداف تحت الضباب القائمة على التعلم المتسلسل CL-FODM (طريقة تعليم متسلسلة للكشف عن الأهداف الضبابية)، حيث تم بناء شبكة فرعية خفيفة لإزالة الضباب تدمج بين CNN وTransformer، للحصول على خصائص إزالة ضباب أوضح وتوفير معلومات دلالية أكثر وضوحًا لمهمة الكشف. كما تم تصميم دالة خسارة متعددة المهام بتوجيه واعي للخصائص لاستكشاف الخصائص الدلالية القابلة للتمييز بشكل أدق على مستوى الخصائص، لتحقيق تحسين تعاوني بين إزالة الضباب والكشف عن الأهداف، وحل مشكلة التناقض الدلالي بين المهام العليا والسفلى. تظهر النتائج التجريبية أن CL-FODM المقترح يتفوق على النماذج الأصلية والمتسلسلة من حيث مؤشرات التقييم وتأثير الكشف البصري.

صور الاستشعار عن بعد;الكشف عن الأهداف;نموذج إزالة الضباب;التعلم العميق;التعلم المتسلسل