霧の条件下では、大気散乱により画像内の照明強度が弱まり、リモートセンシング画像のコントラストが低下し、ターゲット検出モデルの性能に影響を与えます。既存の研究では、霧のあるデータでモデルを訓練するか、画像の去霧前処理を行うという二つの戦略でこの問題に対処していますが、去霧処理により特徴が失われることがあり、去霧結果がターゲット検出タスクに常に正の相関関係を持つことを保証するのは困難です。そこで本論文では、カスケード学習による霧下ターゲット検出法CL-FODM（Cascade Learning Foggy Object Detection Method）を提案し、CNNとTransformerを組み合わせた軽量の去霧サブネットワークを構築し、より鮮明な去霧特徴を取得して下流のターゲット検出により顕著な意味情報を提供します。特徴認識誘導型のマルチタスク損失関数を構築し、特徴レベルでより正確に識別可能なターゲットの意味特徴を掘り起こし、去霧とターゲット検出の協調的最適化を実現し、上下流タスク間の意味的不一致問題を解決します。実験結果は、提案するCL-FODMが評価指標および視覚的検出効果の両面で原モデルおよびカスケード型モデルを上回ることを示しています。

リモートセンシング画像;ターゲット検出;去霧モデル;深層学習;カスケード学習