Kötü hava koşullarında araç ve yaya tespiti için çok boyutlu dikkat dönüştürücüsü

Kötü hava koşullarında görmenin önemi

Günümüz otomobilleri ve şehir kameraları yolumuzu "görmeyi" öğreniyor; araçları ve yayaları o kadar hızlı tespit ediyorlar ki kazaların önlenmesine yardımcı olabiliyorlar. Ancak yağmur, sis ve karanlık hâlâ birçok sistemi yanıltıyor; güvenliğin en çok gerektiği anlarda insanları ve araçları gizleyebiliyor. Bu makale, yoğun sis, şiddetli yağmur ve düşük ışık koşullarında bile yol kullanıcılarını hızlı ve güvenilir şekilde tespit etmeye devam edebilen yeni bir bilgisayarlı görme modeli olan MDAT‑YOLO'yu tanıtıyor.

Gerçek dünyada sürüşün zorluğu

Yıllardır araştırmacılar, görüntüleri tarayıp gerçek zamanlı olarak araba, otobüs, bisiklet ve insanları işaretleyen güçlü derin öğrenme modelleri (ör. YOLO) kullanarak otomatik nesne tespitini geliştirdiler. Ancak bu modellerin çoğu temiz, gündüz koşullarında eğitilip ayarlandı. Görüş düştüğünde—gece, sis veya sağanak sırasında—nesneler zayıf, bulanık ya da kısmen gizlenmiş hale geliyor. Küçük veya uzaktaki yol kullanıcıları özellikle kolaylıkla kaçırılıyor. Mevcut yaklaşımlar sıkça tek bir kötü hava türüne uzmanlaşıyor veya gerçek zamanlı sürüş ve gözetim için çok yavaş ve karmaşık olan birden fazla ağır ağı birleştiriyor.

Önemli olana odaklanmanın daha akıllı yolu

MDAT‑YOLO, popüler bir dedektörün kompakt bir versiyonundan yola çıkarak iç yapı taşlarını yeniden tasarlıyor; böylece her görüntüyü aynı katı şekilde ele almak yerine zor sahnelere uyum sağlayabiliyor. Temel fikir, modelin görüntü içinde nerelere dikkat edeceğine ve farklı görsel desenleri nasıl işleyeceğine anlık olarak karar vermesine izin vermek. Bu davranışı yönlendiren iki yeni bileşen var. Optimumlaştırılmış bir depthwise konvolüsyon katmanı, renk kanalları arasındaki bilgi akışını yeniden şekillendirerek ağı daha hafif ama daha ifade edilebilir kılıyor. İkinci bir modül olan omni‑boyutlu dinamik konvolüsyon ise filtrelerini yalnızca uzayda değil, farklı özellik kanalları ve alternatif filtre setleri arasında da ayarlıyor. Birlikte, modelin yoğun sise, şiddetli parlama veya gürültülü yağmur çizgilerine farklı yanıt vermesini sağlarken yavaşlamasını engelliyorlar.

Yavaşlatmadan küresel bağlam eklemek

Yerel detayları keskinleştirmenin ötesinde, yazarlar modele sahnenin tamamı hakkında daha iyi bir anlayış kazandırıyor. Görüntüdeki uzak ilişkileri öğrenen, dil modellerinde yaygın olarak kullanılan hafif bir dönüştürücü (transformer) bloğu tanıtıyorlar. Büyük ve pahalı bir dönüştürücüyü her yerde uygulamak yerine, inceltilmiş bir versiyonunu ağın kilit aşamalarına entegre ediyorlar. Bu, tespitçinin uzaktaki belirsiz bir silüetin yol üzerindeki bir araba olma olasılığını ve sis veya yağmur tarafından kısmen gizlenmiş bir yayaya ait küçük piksel kümelerinin anlamlı olduğunu daha iyi kavramasına yardımcı oluyor.

Zorlu hava koşullarında modeli teste koymak

Bu tasarım değişikliklerinin gerçekten yardımcı olup olmadığını değerlendirmek için araştırmacılar MDAT‑YOLO'yu birkaç zorlu görüntü koleksiyonunda denediler. Bunlar arasında gerçek dünya sis, duman ve yağmur seti; düşük ışıklı gece seti; iyi bilinen bir benchmark'ın yeni oluşturulmuş sisli versiyonu; ve gerçek yağmurlu sahne seti bulunuyor. Tüm bu veri setlerinde yeni model, birçok güncel YOLO varyantından ve diğer gelişmiş yöntemlerden daha doğru şekilde araba, otobüs, motosiklet, bisiklet ve insan tespit etti. Özellikle yoğun siste araçları ve karanlık sahnelerde insanları bulmada güçlüydü. Aynı zamanda, model gerçek zamanlı hızları korudu; modern donanımda saniyede yaklaşık 145 görüntüye kadar işleyebildi—hareket halindeki araçlar ve canlı trafik izleme için yeterince hızlı.

Günlük güvenlik için bunun anlamı

Basitçe söylemek gerekirse, MDAT‑YOLO kötü hava koşullarında bile güvenilir şekilde çalışmaya devam eden kameralar ve yerleşik bilgisayarlara atılan bir adım. Verimli yapı taşlarını esnek dikkat mekanizmaları ve küresel bağlamla birleştirerek sistem, hantal veya yavaşlamadan sönük, küçük veya kısmen gizlenmiş nesnelere "daha sıkı bakıyor". Daha geniş, tam gerçek dünya verileri üzerinde daha fazla test hâlâ gerekli olsa da, sonuçlar gelecekteki sürücü asistanı sistemlerinin, otonom araçların ve yol kenarı kameralarının sis, yağmur ve karanlıkta daha az yol kullanıcısını kaçırabileceğini ve böylece en kötü günlerde bile sokakları daha güvenli hale getirebileceğini gösteriyor.

Atıf: Biswas, S., Kumar, J., Mitra, A. et al. Multi-dimensional attention transformer for vehicle and pedestrian detection in adverse weather. Sci Rep 16, 12624 (2026). https://doi.org/10.1038/s41598-026-40319-7

Anahtar kelimeler: özerk sürüş, nesne tespiti, kötü hava, bilgisayarlı görme, trafik güvenliği