Unter Nebelbedingungen schwächen atmosphärische Streuungen die Beleuchtungsstärke in Bildern, was zu einem Kontrastabfall bei Fernerkundungsbildern führt und die Leistung von Objekterkennungsmodellen beeinträchtigt. Bestehende Studien begegnen diesem Problem mit zwei Strategien: dem Training von Modellen mit nebelhaltigen Daten oder der Vorverarbeitung der Bilder zur Nebelbeseitigung. Jedoch führt die Nebelbeseitigung oft zum Verlust von Merkmalen, wodurch eine durchgehende positive Korrelation zwischen dem Ergebnis der Nebelbeseitigung und der Objekterkennungsaufgabe schwer zu gewährleisten ist, d.h. die Nebelbeseitigungsergebnisse müssen der Objekterkennung förderlich sein. Daher schlägt dieser Artikel eine Nebel-Objekterkennungsmethode mit Kaskadenlernen CL-FODM (Cascade Learning Foggy Object Detection Method) vor, bei der ein leichtes Nebelbeseitigungs-Unternetzwerk kombiniert aus CNN und Transformer erstellt wird, das klarere Nebelbeseitigungsmerkmale extrahiert und signifikante semantische Informationen für die nachgelagerte Objekterkennung bereitstellt. Eine auf Merkmalswahrnehmung basierende Multitask-Verlustfunktion wurde entwickelt, um auf Merkmalsebene präziser unterscheidbare semantische Merkmale zu extrahieren, wodurch eine koordinierte Optimierung von Nebelbeseitigung und Objekterkennung erreicht und semantische Inkonsistenzen zwischen über- und nachgeschalteten Aufgaben gelöst werden. Experimentelle Ergebnisse zeigen, dass CL-FODM sowohl hinsichtlich Bewertungsmetriken als auch visuellen Detektionsergebnissen die ursprünglichen und kaskadierten Modelle übertrifft.

Fernerkundungsbilder;Objekterkennung;Nebelbeseitigungsmodell;Deep Learning;Kaskadenlernen