基于金字塔池化注意力抗雾道路轻量化检测模型研究

摘要

针对雾天道路目标检测精度下降问题，本研究提出融合金字塔池化注意力机制的轻量化抗雾模型(含创新型PALC模块)。该模型通过多尺度金字塔池化整合全局与局部特征，结合动态注意力机制抑制雾气干扰，提升多距离目标感知精度。实验表明：在保持低计算成本前提下，PALC的mAP@50与mAP@50-95分别达0.883和0.706,较YOLOv8n提升0.91%和0.57%;对雾天场景中车辆部件(车牌)及交通设施(信号灯)等关键目标的检测精度超越YOLOv6。创新性体现在：(1)金字塔池化增强多尺度目标适应性。(2)动态注意力优化特征权重。(3)低秩卷积模块扩大感受野以强化模糊特征捕获。相较传统去雾算法，PALC规避了像素级优化的计算负担，参数量仅较YOLOv8n增加2.5%,满足自动驾驶等实时场景需求。

关键词

金字塔池化 / 注意力机制 / YOLOv8n / 目标检测 / 轻量化