Em condições de neblina, a dispersão atmosférica reduz a intensidade da iluminação nas imagens, levando à diminuição do contraste nas imagens de sensoriamento remoto e afetando o desempenho dos modelos de detecção de objetos. Pesquisas existentes abordam esse problema por meio de duas estratégias: treinar modelos com dados com neblina ou realizar o pré-processamento de remoção da neblina nas imagens. No entanto, o processamento de remoção da neblina pode causar perda de características, tornando difícil garantir uma correlação positiva constante entre os resultados de remoção da neblina e a tarefa de detecção de objetos, ou seja, que os resultados da remoção sejam benéficos para a tarefa de detecção. Para isso, este artigo propõe o método de detecção de objetos em neblina com aprendizado em cascata CL-FODM (Cascade Learning Foggy Object Detection Method), estabelecendo uma sub-rede leve de remoção de neblina que combina CNN e Transformer, capaz de obter características de remoção de neblina mais claras e fornecer informações semânticas mais significativas para a detecção a jusante. Foi construída uma função de perda multitarefa guiada por percepção de características, que extrai com maior precisão características semânticas distinguíveis no nível de características, alcançando a otimização colaborativa da remoção de neblina e detecção de objetos, resolvendo o problema de incoerência semântica entre as tarefas a montante e a jusante. Resultados experimentais mostram que o CL-FODM proposto supera os modelos originais e em cascata tanto em métricas de avaliação quanto em efeitos visuais de detecção.

imagens de sensoriamento remoto;detecção de objetos;modelo de remoção de neblina;aprendizado profundo;aprendizado em cascata