基于联合优化的雾霾水面目标检测模型

为何水面更清晰的视野至关重要

商船、渡轮和小型无人船越来越依赖摄像头和人工智能来发现其他船只与障碍物。但在雾或霾中，摄像头拍到的画面通常显得褪色且模糊，尤其是在开阔水域——波浪、眩光和距离本就使物体难以辨认。本研究探讨了一种更智能的方式来清理雾霾图像并更可靠地检测微小船只，旨在在能见度差的情况下提升航行安全。

雾霾、小船与艰难的视觉问题

在晴朗的日子里，现代目标检测系统通常能以高精度识别图像中的车辆、行人和船只。然而在雾霾场景下，对比度下降、边缘变得模糊、颜色褪色，导致小目标几乎融入背景。那些在清晰图像上表现良好的标准深度学习检测器常常会错过这些微弱轮廓，尤其是当无人机或岸边摄像头监视大范围区域、每艘船只仅占数像素时。现有方法要么直接在雾霾图像上重训练检测模型，要么在检测前串联单独的去雾步骤，或将多项任务捆绑到一个共享网络中。每种策略都有助益，但都未能完全克服雾霾与水面微小目标叠加带来的挑战。

一种学会穿透雾霾的联合系统

作者提出了一种名为 DTDJO 的联合系统，从两方面同时应对该问题。首先，一个专门的去雾网络接收原始雾霾图像，尝试恢复更清晰的结构与对比度，着重保留可能属于小型船只的细节。其次，一个改良的检测网络分析清理后的图像以定位并分类目标。系统并非将这两部分分开训练，而是端到端优化，因此去雾的学习由最终正确检测目标的目标来引导。这样的联合训练促使去雾步骤突出对检测最重要的特征，而不仅仅是生成“更美观”的图像。

关注微小细节

为了使去雾部分更有效，研究人员重新设计了网络关注图像特征的方式。他们引入了一个多尺度模块，既观察不同尺寸的模式，又跟踪重要结构在图像中的位置。这有助于系统恢复属于远小目标的清晰边缘和细腻纹理。他们还改进了早期层与深层信息的融合方式，使得像素级细节与更高层次的模式相互支撑而非互相竞争。为保持方法的实用性，他们用计算量更小的轻量模块替代了更复杂的数学结构，从而在不牺牲质量的前提下加快处理速度。

帮助检测器聚焦小船

改善清理后的图像只是部分工作。DTDJO 的检测部分基于现代的一阶段检测器，但作者加入了一个混合注意力模块，用以增强有用信号并抑制杂乱背景。该模块结合了哪些通道信息更有用以及空间上哪些区域最相关的信息。在雾霾水面场景中，这意味着强调船只的微弱轮廓，减少波浪、反光和天空的干扰。团队还通过将物理散射模型引入流行的检测基准，构建了新的训练集以插入真实感雾霾，使他们能够在通用场景和水面专用图像上测试该系统。

在真实雾霾场景中的实测收益

在新的雾霾无人机和混合水域场景数据集上测试时，DTDJO 持续优于标准检测器和其他有雾知觉的方法。它能检测到更多微小和远处物体、漏检更少船只，并且在分离部分遮挡的重叠目标方面表现更好。与一个强基线检测器相比，该联合系统在两个数据集上的平均检测精度提高了数个百分点，这在如此具有挑战性的条件下代表了显著提升。同时，其设计使计算成本远低于一些更重的多任务模型，更适合实时部署。

为更安全的航行开辟更清晰的路径

简而言之，这项工作表明，将图像清理步骤与目标检测器联合训练，可以帮助摄像头在雾霾中更可靠地发现小型船只。通过学习雾霾图像中哪些部分对于发现目标真正重要，系统只清除足够的视野，并引导检测器聚焦于正确的细节。尽管研究以水面以及无人机或岸基摄像头为中心，该思路同样可用于支持多种低能见度环境下的更安全航行与监测，从沿海港口到河道与码头。

引用: Zhang, H., Wang, H. Foggy water surface target detection model based on joint optimization. Sci Rep 16, 15693 (2026). https://doi.org/10.1038/s41598-026-44144-w

关键词: 雾霾目标检测, 水面成像, 图像去雾, 小型船只检测, 海事计算机视觉