En condiciones de niebla, la dispersión atmosférica disminuye la intensidad de la iluminación en las imágenes, lo que provoca una reducción en el contraste de las imágenes de teledetección y afecta el rendimiento de los modelos de detección de objetos. Las investigaciones existentes abordan este problema con dos estrategias: entrenar modelos con datos con niebla o realizar un preprocesamiento de eliminación de niebla en las imágenes. Sin embargo, el procesamiento de eliminación de niebla puede provocar pérdida de características, lo que dificulta garantizar una correlación positiva constante entre la eliminación de niebla y la tarea de detección de objetos, es decir, que los resultados de eliminación de niebla sean beneficiosos para la detección. Para ello, este artículo propone un método de detección de objetos en niebla basado en aprendizaje en cascada, CL-FODM (Cascade Learning Foggy Object Detection Method), estableciendo una subred ligera de eliminación de niebla que combina CNN y Transformer, capaz de obtener características de eliminación de niebla más claras y proporcionar información semántica más significativa para la detección descendente. Se construyó una función de pérdida multitarea guiada por la percepción de características para extraer con mayor precisión características semánticas distinguibles a nivel de características, logrando una optimización colaborativa de la eliminación de niebla y la detección de objetos, resolviendo el problema de incoherencia semántica entre tareas aguas arriba y aguas abajo. Los resultados experimentales muestran que CL-FODM propuesto supera tanto a los modelos originales como a los de tipo en cascada en métricas de evaluación y efectos visuales de detección.

imágenes de teledetección;detección de objetos;modelo de eliminación de niebla;aprendizaje profundo;aprendizaje en cascada