.png){kind=icon}
返回
Improving Object Detection Performance by Preprocessing Dehazing with a DCP-Based Lightweight U-Net
.png){kind=icon}
OA
AI
DOI：10.3390/ai7060190.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
雾引起的 atmospheric scattering 降低了图像质量，并显著降低了计算机视觉系统的可靠性。现有的去雾研究主要使用像素级指标（如 PSNR 和 SSIM）来评估去雾性能。然而，这些指标未能充分反映去雾对下游目标检测性能的实际影响。因此，本文将图像去雾视为雾环境中目标检测的预处理步骤，并使用标准目标检测评估指标分析其效果。实验结果表明，在三种雾密度条件下（β = 0.005、0.010 和 0.020），采用基于 DL-U-Net 的去雾方法处理的图像比相应的原始雾天图像获得了更高的 mAP @ 0.5 值，相对提升分别为 +0.39%、+6.60% 和 +13.37%。此外，在 β = 0.020 的浓雾条件下，召回率（Recall）的提升幅度显著大于精确率（Precision）。这些结果表明，随着雾密度的增加，去雾预处理在恢复物体结构信息、减少漏检以及提升下游目标检测性能方面效果更为显著。
Keyword:
image dehazing
foggy object detection
dehazing preprocessing
Foggy Cityscapes
YOLO26n
DL-U-Net
mAP
期刊
A
IF:
5
论文数:
1.1K
被引数:
941
机构
引用论文
Object Detection in Adverse Weather for Autonomous Driving through Data Merging and YOLOv8基于数据合并和YOLOv8的恶劣天气下自动驾驶目标检测.png)
SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏A comprehensive qualitative and quantitative survey on image dehazing based on deep neural networks基于深度神经网络的图像去模糊定性与定量综合研究NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏Zhao, J.; Wu, Y.; Deng, R.; Xu, S.; Gao, J.; Burke, A. A survey of autonomous driving from a deep learning perspective. ACM Comput. Surv. 2025, 57, 1–60. [Google Scholar] [CrossRef]赵, J.; Wu, Y.; Deng, R.; Xu, S.; Gao, J.; Burke, A. 基于深度学习的自动驾驶综述. ACM Comput. Surv. 2025, 57, 1–60. [Google Scholar] [CrossRef]
IF0
PREAI
分享收藏Single image haze removal based on the improved atmospheric scattering model基于改进大气散射模型的单幅图像去雾NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏
查看更多内容