论文分析10：基于改进YOLOv8模型的雨雾天气目标识别算法

[1]张首一,申强,郭怡然,等.基于改进YOLOv8模型的雨雾天气目标识别算法[J].计算机科学,2026,53(S1):282-288.
        这里先提一嘴，因为在上篇论文分析中也是进行了雨雾天的船舶检测，所以这里选择一篇相同yolov8框架的来看看不同论文不同创新点。

1. 研究目的

        目标检测通常需要在各种复杂天气条件下保持高效稳定的性能，而雨雾天气会导致图像对比度降低、边缘模糊以及目标特征丢失，严重影响检测系统的可靠性，传统的目标检测算法在晴朗环境下通常表现良好，但在恶劣天气条件下，由于光线散射和衰减，目标边界模糊，导致漏检与误检率上升。

        针对复杂天气环境对目标检测带来的挑战，近年来的研究提出了一系列图像去雾和增强算法，以改善目标特征的可见性。但现有方法虽有一定提升，但在不同雾气浓度下对目标边缘和局部对比度的特征提取仍有改进空间。

        为进一步提升雾天环境下的目标检测能力，论文提出了一种改进的YOLOv８目标检测方法。,主要优化点如下:

        1.引 入FogEnhanceNet去雾增强模块，在模型输入阶段提升目标区域的对比度和清晰度，以提高特征可辨识度，减少雾霾对目标边缘和纹理信息的影响；

        2.结合自适应对比度注意力机制，动态调整通道与空间信息权重,以优化低对比度环境下的目标特征表达能力，从而提升目标的识别精度；

        ３.设计轻量化C2f-Ghost-GF结构，减少模型参数量,同时利用导向滤波增强雾天图像的边缘特征提取能力，提高模型的计算效率和检测性能。

2. 优化点     

        2.1 去雾增强模块（输入端）

        FogEnhanceNet的设计包括两个核心组件：去雾和增强模块。通过 这两个模块的结合，FogEnhanceNet可以有效地增强雾天图像的可辨识度，提供更高质量的输入给目标检测网络。

        2.1.1 去雾模块

        基于暗通道先验（DCP）估算透射率并恢复清晰图像，无需外部天气信息，自适应不同程度雾霾。公式为

        雾霾透射率：

        恢复图像公式：

        2.1.2 增强模块

        增强模块的主要任务是提高去雾后的图像中目标区域的对比度，增强目标的显著性。特别是在雾霾天气下，图像中的 目标通常会因对比度较低而变得难以识别。增强模块通过局部对比度增强技术对目标区域进行自适应增强，强调图像中的目标特征，减少背景区域的影响。

        增强模块操作公式：

        其中局部对比度：

        去雾模块和增强模块的核心算法逻辑是基于传统数学推导，但在实际应用中，为了满足实时性、自适应性和集成性的需求，本文将这些算法嵌入神经网络结构中。这种方法利用了神经网络在并行处理、可学习参数和处理非线性关系方面的优势，从而显著提高了计算效率和整体性能。通过集成去雾和增强模块形成端到端的模型，可以方便地进行统一训练和优化，适应不同环境下的最佳参数设置。

        2.2 自适应对比度注意力机制(特征层)

        自适应对比度注意力机制通过在传统CBAM 的基础上增加拉普拉斯变换，提高了对雾天图像中边缘区域和显著特征的关注能力，这使其能够更准确地提取雾霾环境中的目标信息，并增强目标区域与背景之间的差异度，从而有效提升雾天目标检测的准确性和鲁棒性。

• 通道注意力：融合全局平均池化、全局最大池化和拉普拉斯边缘增强信息，提升雾天边缘区域的通道重要性。

• 空间注意力：将原始特征与拉普拉斯增强特征融合后卷积生成空间权重，聚焦目标边界。

• 最终融合：将通道注意力与空间注意力加权合并到输入特征图，使模型同时关注显著区域和边缘信息。

     2.3  C2f-Ghost-GF 轻量化模块（特征提取层）

• 三路融合策略：跳跃连接特征 + Ghost卷积提取特征 + 导向滤波（GF）增强特征。

• Ghost卷积：用少量标准卷积生成基础特征，再通过廉价线性变换生成“幻影”特征，降低参数量和计算量。

• 导向滤波（GF）：在局部窗口内建立输入与导向特征的线性关系，动态调整滤波参数——对远处低对比度目标增强对比度，对近处高对比度目标保留边缘，优于固定边缘检测算子。

3. 实验结果

        3.1 消融实验

• FogEnhanceNet贡献：mAP提升6.5个百分点，证明输入端去雾增强对特征可辨识度至关重要。

• ACA贡献：mAP再提升4.5个百分点（0.726→0.771），且对小型目标提升显著，对大型目标提升较小，验证了拉普拉斯边缘增强对小目标边界的有效性。

• C2f-Ghost-GF贡献：mAP小幅提升0.3个百分点，但参数量减少30%，FLOPs下降21%，实现了轻量化与精度保持的平衡。

        3.2 对比实验

• 与Faster R-CNN、SSD、YOLOv5、RetinaNet、FogGuard、SDNIA-YOLO对比，mAP@0.5达0.774，推理速度58.7FPS，均为最优。

• 可视化结果：本方法在浓雾小目标检测中漏检率明显低于FogGuard和SDNIA-YOLO，背景误检更少。

4. 与论文分析9对比

        论文9的SFEI-YOLO仅替换颈部中的SPPF模块为AIFI模块，而本论文确实对全链条改进：输入端+ 特征层+ 计算层。

        它们的处理位置也不同，论文9仅针对高层特征，低层特征不做内部交互，避免计算冗余；本论文处理所有层级：输入端增强图像，特征层用注意力，提取层用GF增强边缘。

        SFEI-YOLO 是对高层的改进，聚焦于高层特征的自注意力重加权，以替换SPPF的方式提升对低能见度下小目标的感知能力；本论文的改进是对全链路改进，从图像增强 → 特征注意力 → 轻量化骨干三管齐下，既提升精度又兼顾计算效率，更适合实际部署。