Dans des conditions de brouillard, la diffusion atmosphérique réduit l'intensité lumineuse dans les images, ce qui entraîne une diminution du contraste des images de télédétection et affecte les performances des modèles de détection d'objets. Les recherches existantes abordent ce problème par deux stratégies : entraîner les modèles sur des données brumeuses ou effectuer un prétraitement de débrumisation des images. Cependant, le traitement de débrumisation peut entraîner une perte de caractéristiques, rendant difficile la garantie d'une corrélation positive constante entre la débrumisation et la tâche de détection d'objets, c'est-à-dire que les résultats de débrumisation soient bénéfiques pour la détection. En réponse, cet article propose une méthode de détection d'objets sous la brume basée sur un apprentissage en cascade, CL-FODM (Cascade Learning Foggy Object Detection Method), en établissant un sous-réseau léger de débrumisation combinant CNN et Transformer, capable d'extraire des caractéristiques de débrumisation plus claires et de fournir des informations sémantiques plus significatives pour la détection en aval. Une fonction de perte multitâche guidée par la perception des caractéristiques est construite pour extraire plus précisément des caractéristiques sémantiques discriminantes au niveau des caractéristiques, réalisant une optimisation conjointe de la débrumisation et de la détection d'objets, résolvant ainsi le problème d'incohérence sémantique entre les tâches en amont et en aval. Les résultats expérimentaux montrent que CL-FODM proposé surpasse les modèles originaux et en cascade à la fois en termes de métriques d'évaluation et d'effets visuels de détection.

images de télédétection;détection d'objets;modèle de débrumisation;apprentissage profond;apprentissage en cascade