FogGate-YOLO：直击雾天检测痛点，基于通道选择的 YOLOv8 优化方案

点击蓝字关注我们关注并星标从此不迷路计算机视觉研究院公众号ID计算机视觉研究院学习群扫码在主页获取加入方式https://pmc.ncbi.nlm.nih.gov/articles/PMC13030070/pdf/sensors-26-01811.pdf计算机视觉研究院专栏Column of Computer Vision Institute本文提出的FogGate-YOLO—— 一款基于 YOLOv8n 优化的雾天目标检测框架摒弃传统预处理思路创新性引入GroupGatedConv和C2fGated两个模块通过分层级的粗到精通道选择策略直接强化模型的特征表示能力在几乎不增加计算开销的前提下显著提升雾天环境下的目标检测鲁棒性。PART/1困境与思路在自动驾驶视觉检测中雾滴的大气散射会导致图像对比度下降、目标特征被遮蔽使得常规检测算法的漏检、误检率大幅上升有研究表明浓雾下 Faster R-CNN 的检测精度会从晴天的 91.55% 骤降至 57.75%。现有雾天检测方法多聚焦图像去雾预处理但这类方法存在明显短板依赖物理模型的雾密度估计难以适配不同雾浓度的复杂场景额外的预处理步骤还会增加计算成本不符合自动驾驶的实时性要求。而基于深度学习的单阶段检测器如 YOLO 系列因推理速度快成为实时检测的主流选择但在雾天场景中其特征提取能力易受雾噪干扰。为此研究团队从特征层优化出发将通道选择机制融入 YOLOv8n 的核心网络结构通过自适应筛选有效特征、抑制雾噪实现检测性能的提升且全程无需额外的图像预处理。PART/2核心架构FogGate-YOLO 核心架构双模块打造分层通道选择FogGate-YOLO 以轻量级的 YOLOv8n 为基础在其骨干网络Backbone和颈部网络Neck中嵌入自主设计的GroupGatedConv和C2fGated模块形成粗粒度通道筛选 细粒度特征校准的分层处理策略整体网络架构如图 1 所示。图 1FogGate-YOLO 网络架构图紫色标注骨干网络修改部分浅蓝色标注颈部网络修改部分1. GroupGatedConv骨干网络的粗粒度通道选择针对雾天场景中中层特征更具判别性的特点该模块被嵌入 YOLOv8n 骨干网络第四层在特征提取的同时完成粗粒度通道筛选既抑制雾噪又保留目标的核心结构特征。其核心原理是将输出通道分组通过门控机制为每个通道组学习自适应权重选择性保留与目标相关的通道特征、抑制雾诱导的背景噪声同时采用分组卷积的设计大幅降低计算开销模块架构如图 2 所示。图 2GroupGatedConv 模块架构图不同颜色代表不同通道组特征图圆圈为乘法操作箭头为特征流方向2. C2fGated多分支融合后的细粒度特征校准基于 YOLOv8 的 C2f 模块优化而来在特征拼接后嵌入ECA 高效通道注意力机制实现多分支融合后的细粒度通道重校准模块架构如图 3 所示。图 3C2fGated 模块架构图在 C2f 特征拼接后加入 ECA 注意力最后通过 1×1 卷积调整输出通道该模块被分别嵌入骨干网络第七层和颈部网络第十九层这两个位置的特征兼具空间细节和语义信息能通过 ECA 机制的局部跨通道交互自适应强调目标相关通道、弱化噪声通道尤其提升浓雾中小目标的检测能力且几乎不增加模型参数和计算量。3. ECA 注意力模块轻量级通道特征增强作为 C2fGated 的核心组件ECA 模块摒弃了传统通道注意力的降维操作通过 1D 卷积捕捉通道间的局部依赖关系自适应确定卷积核大小在保证特征增强效果的同时将计算开销降至最低模块架构如图 4 所示。图 4ECA 注意力模块架构图箭头为特征流方向圆圈为特征图乘法操作PART/3实验实验验证精度提升且保持轻量级特性为验证 FogGate-YOLO 的实际性能研究团队基于Roboflow 真实雾天数据集2975 张图像8:2 划分训练 / 验证集开展实验以 Recall召回率雾天检测核心指标、mAP50、mAP50-95 为评价标准同时兼顾模型的 GFLOPs计算量和参数量实验环境基于 PyTorch 框架采用 NVIDIA RTX 3090 GPU 训练。1. 对比实验优于主流轻量级 YOLO 模型将 FogGate-YOLO 与 YOLOv5n、YOLOv6n、YOLOv8n、YOLOv11n 等轻量级模型对比结果显示FogGate-YOLO 的 Recall 达到 39.8%较基线 YOLOv8n 提升 2.6%mAP50 达 41.3%优于多数同量级模型。关键是其 GFLOPs 仍为 8.8、参数量仅 3.152M与 YOLOv8n 基本一致远低于 YOLOv5s、YOLOv8s 等大尺寸模型实现了精度提升与轻量级特性的兼顾检测结果对比如图 5 所示。表 1不同检测方法的性能对比表包含 Recall、mAP50、mAP50-95、GFLOPs、Param 指标图 5YOLOv8n 与 FogGate-YOLO 在雾天数据集的检测结果对比图第一行为 YOLOv8n第二行为 FogGate-YOLO2. 消融实验双模块协同实现性能最优为验证两个核心模块的有效性团队开展消融实验结果表明单独加入 C2fGatedRecall 提升 0.6%、mAP50 提升 1.0%单独加入 GroupGatedConvRecall 提升 0.8%双模块协同加入时模型性能达到最优Recall 较基线提升 2.6%且计算开销无明显增加证明了粗粒度筛选 细粒度校准分层策略的互补性和有效性。表 2消融实验结果表包含 YOLOv8n、单模块、双模块组合的各项性能指标3. 训练过程可视化指标收敛稳定FogGate-YOLO 的训练过程指标可视化结果显示其边界框损失、分类损失、分布焦点损失均能快速收敛验证集的 Precision、Recall、mAP50 指标稳定提升无明显过拟合现象证明模型的训练稳定性和泛化能力训练指标变化如图 6 所示。图 6FogGate-YOLO 训练过程指标可视化图包含训练 / 验证集的损失曲线、Precision/Recall/mAP50 变化曲线PART/4结论与展望核心结论FogGate-YOLO 通过GroupGatedConv和C2fGated双模块的协同设计打造了一套适用于雾天环境的无预处理、轻量级、高鲁棒性的交通目标检测方案核心优势体现在摒弃传统图像去雾预处理直接从特征层优化无需估计雾密度适配不同雾浓度的真实场景分层级的通道选择策略实现粗粒度雾噪抑制和细粒度目标特征增强显著提升雾天检测的 Recall 和 mAP双模块设计几乎不增加计算开销和模型参数保持 YOLOv8n 的轻量级特性满足自动驾驶的实时性要求。未来优化方向尽管模型取得了良好的检测效果仍有进一步优化的空间扩充数据集规模增加不同雾浓度、不同场景的样本提升模型的泛化能力深入探索 GroupGatedConv 模块的分组数等超参数实现自适应分组最大化特征筛选效果结合数据增强、迁移学习等技术进一步提升模型在极端浓雾场景中的检测性能与当前先进的雾天检测模型开展对比实验验证算法的竞争力。PART/5研究意义FogGate-YOLO 为恶劣天气下的计算机视觉检测提供了新的研究思路将通道选择机制与 YOLO 系列检测器深度融合跳出了 “先去雾后检测” 的传统框架实现了特征层优化与实时检测的平衡。该方案不仅能应用于自动驾驶的雾天交通目标检测还能为监控摄像头、无人机巡检等视觉检测场景的恶劣天气适配提供技术参考具有重要的工程应用价值。有相关需求的你可以联系我们END转载请联系本公众号获得授权计算机视觉研究院学习群等你加入ABOUT计算机视觉研究院计算机视觉研究院主要涉及深度学习领域主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。研究院每日分享最新的论文算法新框架提供论文一键下载并分享实战项目。研究院主要着重”技术研究“和“实践落地”。研究院会针对不同领域分享实践过程让大家真正体会摆脱理论的真实场景培养爱动手编程爱动脑思考的习惯往期推荐YOLO-TLA一种基于 YOLOv5 的高效轻量级小目标检测模型ViT-YOLO基于Transformer的用于目标检测的YOLO算法SSMA-YOLO一种轻量级的 YOLO 模型具备增强的特征提取与融合能力适用于无人机航拍的船舶图像检测LUD-YOLO一种用于无人机的新型轻量级目标检测网络Gold-YOLO基于聚合与分配机制的高效目标检测器Drone-YOLO一种有效的无人机图像目标检测「无人机AI」“空中城管”无人机AI光伏巡检自动化解决方案无人机视角下多类别船舶检测及数量统计机场项目解决飞行物空间大小/纵横比、速度、遮挡等问题引起的实时目标检测问题2PCNet昼夜无监督域自适应目标检测附原代码YOLO-S小目标检测的轻量级、精确的类YOLO网络大改Yolo框架 | 能源消耗极低的目标检测新框架附论文下载改进的检测算法用于高分辨率光学遥感图像目标检测