안개가 낀 조건에서 대기 산란은 영상 내 조명 강도를 약화시켜 원격 감지 영상의 대비를 저하시켜 물체 탐지 모델의 성능에 영향을 미친다. 기존 연구는 안개가 낀 데이터에서 모델을 학습시키거나 영상의 안개 제거 전처리 두 가지 전략으로 이 문제에 대응하지만, 안개 제거 처리 과정에서 특징 손실이 발생하여 안개 제거 결과가 물체 탐지 작업에 항상 긍정적인 상관관계를 보장하기 어렵다. 이를 위해 본 논문은 연쇄 학습 기반 안개 하 물체 탐지 방법인 CL-FODM(Cascade Learning Foggy Object Detection Method)를 제안하였으며, CNN과 Transformer를 결합한 경량 안개 제거 서브네트워크를 구축하여 보다 선명한 안개 제거 특징을 획득하고 하류 물체 탐지에 보다 의미 있는 정보를 제공한다. 특징 인식 지향 다중 작업 손실 함수를 구축하여 특징 수준에서 더 정밀하게 구별 가능한 물체 의미 특징을 발굴하여 안개 제거와 물체 탐지의 공동 최적화를 실현하고 상하류 작업 간 의미 불일치 문제를 해결하였다. 실험 결과 제안한 CL-FODM이 평가 지표 및 시각적 탐지 효과 모두 원본 모델 및 연쇄 모델보다 우수함을 보였다.

원격 감지 영상;물체 탐지;안개 제거 모델;딥 러닝;연쇄 학습