В условиях тумана атмосферное рассеяние ослабляет интенсивность освещения на изображениях, что приводит к снижению контрастности дистанционно-зондируемых изображений и влияет на производительность моделей обнаружения объектов. Существующие исследования решают эту проблему двумя стратегиями: обучением моделей на задымленных данных или предварительной обработкой изображений для удаления тумана. Однако обработка удаления тумана приводит к потере признаков, и сложно обеспечить постоянную положительную корреляцию между результатами удаления тумана и задачей обнаружения объектов, то есть результаты удаления тумана должны быть полезны для задачи обнаружения. В данной работе предлагается метод обнаружения объектов в туманных условиях с каскадным обучением CL-FODM (Cascade Learning Foggy Object Detection Method), в котором создана легкая подсеть для удаления тумана, объединяющая CNN и Transformer, способная получать более четкие признаки для удаления тумана и обеспечивать более значимую семантическую информацию для дальнейшей задачи обнаружения объектов. Построена мультизадачная функция потерь с направлением на восприятие признаков, которая точнее выявляет различимые семантические признаки на уровне признаков, реализует совместную оптимизацию удаления тумана и обнаружения объектов, решая проблему семантического несоответствия между задачами верхнего и нижнего уровней. Результаты экспериментов показывают, что предложенный CL-FODM превосходит исходные и каскадные модели по показателям оценки и визуальному качеству обнаружения.

дистанционно-зондируемые изображения;обнаружение объектов;модель удаления тумана;глубокое обучение;каскадное обучение