雾霾环境下物体检测的优化方法：结合AOD-PONO-Net去雾与YOLOv8改进

于 2025-02-11 01:45:00 发布
阅读量476 收藏 22
点赞数 12
分类专栏： YOLO系列创新涨点超专栏 文章标签： YOLO 物体检测 图像去雾技术
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/mrdeam/article/details/145447032
版权

本专栏专为AI视觉领域的爱好者和从业者打造。涵盖分类、检测、分割、追踪等多项技术，带你从入门到精通！后续更有实战项目，助你轻松应对面试挑战！立即订阅，开启你的YOLOv8之旅！

专栏订阅地址：https://blog.csdn.net/mrdeam/category_12804295.html

文章目录

雾霾环境下物体检测的优化方法：结合AOD-PONO-Net去雾与YOLOv8改进

1. 引言

图像去雾（Image Dehazing）是计算机视觉领域中的一个重要问题，尤其是在户外场景中，雾霾天气会严重影响图像质量，进而影响物体检测、分割等任务的精度。YOLOv8作为当前主流的物体检测算法之一，其性能在良好条件下表现出色，但在雾霾等低质量图像上往往存在较大误差。因此，如何将图像去雾技术与YOLOv8物体检测结合起来，成为了一个具有挑战性且极具应用潜力的方向。

本篇文章将深入探讨如何利用AOD-PONO-Net（AOD-Net的改进版）网络，结合YOLOv8改进图像物体检测的性能，特别是在去雾场景中的应用。AOD-PONO-Net通过对图像进

了解本专栏 订阅专栏 解锁全文
YOLOv5改进 | 图像去雾 | 利用图像去雾网络AOD-PONO-Net网络增改进图像物体检测（全网独家首发）
Snu77的博客
03-22 1958
本文给大家带来的改进机制是利用AODNet图像去雾网络结合PONO机制实现二次增强，我将该网络结合YOLOv5针对图像进行去雾检测（也适用于一些模糊场景，图片不清晰的检测）同时本文的内容不影响其它的模块改进可以作为工作量凑近大家的论文里，非常的适用，图像去雾检测为群友最近提出的需要的改进，
YOLOv8改进：利用AOD-PONO-Net网络增强图像物体检测性能
走向CTO的路上...
07-06 993
YOLOv8模型作为目前最先进的目标检测算法之一，在精度和速度方面取得了显著进步。然而，YOLOv8模型在雾霾图像场景下的检测性能仍有提升空间。本文介绍了一种利用AOD-PONO-Net网络增强YOLOv8模型的图像物体检测性能的方法，该方法可以有效提升YOLOv8模型在雾霾图像场景下的检测精度和鲁棒性。利用AOD-PONO-Net网络增强YOLOv8模型，可以有效提升YOLOv8模型在雾霾图像场景下的检测性能，并拓展其在自动驾驶、安防监控、户外安防等领域的应用。
yolov8+图像去雨+图像去雾+图像增强+图像去噪
QQ_1309399183的博客
12-14 2444
yolov8+图像去雨+图像去雾+图像增强+图像去噪
YOLOv8改进 | 图像去雾 | 利用图像去雾网络AOD-PONO-Net网络增改进图像物体检测
Snu77的博客
03-13 4054
官方论文地址：官方论文地址点击即可跳转官方代码地址：官方代码地址点击即可跳转这篇论文提出了一种名为全能去雾网络（AOD-Net）的图像去雾模型，该模型是基于重新制定的大气散射模型并利用卷积神经网络（CNN）构建的。与大多数先前的模型不同，AOD-Net不是分别估计传输矩阵和大气光，而是直接通过一个轻量级的CNN生成清晰图像。这种新颖的端到端设计使得将AOD-Net嵌入到其他深度模型中变得简单，例如，用于提升雾霾图像上高级任务性能的Faster R-CNN。
AOD-Net去雾网络：PyTorch实现的高效图像去雾工具
gitblog_09786的博客
10-28 435
AOD-Net去雾网络：PyTorch实现的高效图像去雾工具 【下载地址】AOD-Net去雾网络Python源代码pytorch 本仓库提供了一个基于PyTorch实现的AOD-Net去雾网络的Python源代码。AOD-Net是一种通过卷积神经网络（CNN）对雾霾图像进行去雾处理的先进方法。该代码通过PyTorch框架...
一种被AOD-Net启发的超高清图像去雾模型
zzr
02-26 958
GitHub - zzr-idam/AOD-Net_UHDdehazing
基于AOD-PONO-Net去雾网络的YOLOv8改进-提升雾霾环境下物体检测性能的研究【附核心模块代码】
一键难忘的博客
02-05 2479
图像去雾技术的目标是恢复被雾霾影响的图像质量，使其尽可能接近正常天气下拍摄的图像。基于物理模型的去雾：这些方法通过假设图像生成模型来去除雾霾，例如基于大气散射模型的去雾方法。深度学习方法：近年来，深度学习方法由于其强大的特征学习能力，在去雾领域表现出色。尤其是基于卷积神经网络（CNN）的去雾网络能够自动学习到图像中的雾霾特征并进行去雾处理。AOD-PONO-Net是AOD-Net（Atmospheric Optics Dehazing Network）的改进版，它主要通过改进网络结构来增强去雾效果。
推荐开源项目：AOD-Net - 简洁高效的端到端去雾网络
gitblog_00026的博客
06-19 1274
推荐开源项目：AOD-Net - 简洁高效的端到端去雾网络 去发现同类优质开源项目:https://gitcode.com/ 1、项目介绍 AOD-Net，全称All-in-One Dehazing Network，是2017年ICCV会议提出的一种轻量级但效果显著的深度学习去雾模型。该模型设计简洁，易于理解和实现，特别适合于快速训练和测试。现在，该项目还整合了Positional Normali...
YOLOv11改进 | 特殊场景改进篇 | 利用图像去雾网络AOD-PONO-Net网络增改进图像物体检测
Snu77的博客
11-04 1265
本文给大家带来的改进机制是利用AODNet图像去雾网络结合PONO机制实现二次增强，我将该网络结合YOLOv11针对图像进行去雾检测（也适用于一些模糊场景，图片不清晰的检测）同时本文的内容不影响其它的模块改进可以作为工作量凑近大家的论文里，非常的适用，图像去雾检测为群友最近提出的需要的改进。
An All-in-One Network for Dehazing and Beyond （IEEE2017）用于除雾及其他应用的一体化网络
qq_44185614的博客
11-22 740
本文提出了一种使用卷积神经网络（CNN）构建的图像去雾模型，称为一体式去雾网络（AOD-Net）。它是基于重新制定的大气散射模型而设计的。AOD-Net 没有像以前的大多数模型那样分别估计传输矩阵和大气光，而是通过轻量级 CNN 直接生成干净的图像。这种新颖的端到端设计可以轻松地将 AOD-Net 嵌入到其他深度模型中，例如 Faster R-CNN，以提高模糊图像上的高级任务性能。合成和自然模糊图像数据集的实验结果表明，我们在 PSNR、SSIM 和主观视觉质量方面比最先进的技术具有更优越的性能。
毕业设计-基于深度学习的图像去雾算法
Hai_Lang_IT的博客
12-25 9574
毕业设计-基于深度学习的图像去雾算法：由于雾霾天气下大气颗粒的散射作用，通过视频和图像采集系统获取的图像通常可见度较低，将严重影响计算机视觉系统后续的目标识别、目标追踪等功能。目前，图像去雾算法可分为传统去雾算法和基于深度学习的去雾算法。传统去雾算法一般采用图像增强方式对有雾图像进行对比度增强，或采用先验理论来估计有雾图像的透射率值和大气光照值，再通过大气散射模型恢复无雾图像。基于深度学习的去雾算法一般基于有雾图像的先验信息进行建模，再通过有监督学习方式或无监督学习方式来估计有雾图像的透射率图或无雾图，泛化
YOLOv5 or YOLOv8 快速划分训练集 验证集 测试集
weixin_42182534的博客
03-01 1669
该脚本实现了将原始数据集自动划分为yolo训练数据集排列形式
【YOLOv10改进[Backbone]】使用轻量化去雾网络unfog_net改进v10雾霾天气场景的目标检测 — 去雾检测
静谧、淡雅
06-21 1094
使用轻量化去雾网络unfog_net改进v10雾霾天气场景的目标检测 — 去雾检测
恶劣天气下的目标检测优化：YOLOv8与UnfogNet联合去雾模型的应用
最新发布
步入烟尘的博客
02-10 1669
YOLOv8-UnfogNet联合模型的提出为目标检测和图像去雾领域提供了一个新的思路。通过将图像去雾网络和目标检测网络结合，不仅可以提升在恶劣天气下的目标检测精度，还能够为实际应用中的自动驾驶、监控安防等领域带来更强的鲁棒性和适应性。随着去雾技术和目标检测算法的不断发展，我们相信，这种联合方法将在多个领域中获得更加广泛的应用，并为进一步提升图像质量和检测精度做出重要贡献。
自适应YOLO：恶劣天气下的目标检测（附源代码）
gzq0723的博客
08-01 1217
关注并星标从此不迷路计算机视觉研究院公众号ID｜ComputerVisionGzq学习群｜扫码在主页获取加入方式论文获取｜回复“IAYOLO”获取paper源代码：https://github.com/wenyyu/ImageAdaptive-YOLO计算机视觉研究院专栏作者：Edison_G最近开车发现雾天和晚上视线不是很清楚，让我联想到计算机视觉领域，是不是也是因为这种环境情况，导致最终的模型...
YOLOv8改进 | 主干网络 | 一体化去雾网络AOD-Net【原理 + 代码】
kay_545
07-17 2813
yolov8改进，yolov8，去雾网络，AODNet
YOLOv8改进：利用UnfogNet网络辅助YOLOv8进行图像去雾检测
走向CTO的路上...
08-14 1576
YOLOv8模型作为目前最先进的目标检测算法之一，在精度和速度方面取得了显著进步。然而，YOLOv8模型在雾霾图像场景下的检测性能仍有提升空间。本文介绍了一种利用UnfogNet网络辅助YOLOv8进行图像去雾检测的改进方法，该方法可以有效提升YOLOv8模型在雾霾图像场景下的检测精度和鲁棒性。利用UnfogNet网络辅助YOLOv8模型，可以有效提升YOLOv8模型在雾霾图像场景下的检测性能，并拓展其在自动驾驶、安防监控、户外安防等领域的应用。
Detection-friendly dehazing: object detection in real-world hazy scenes
weixin_47020721的博客
01-15 1377
提出了一种联合架构BAD-Net，将去雾模块和检测模块连接成一个端到端的方法。另外，设计了了两个分支结构，用注意力融合模块来充分结合有雾和去雾特征，这减少了在检测模块不好的影响，当去雾模块表现不好时。此外，引入了一种自监督雾度鲁棒损失，使检测模块能够处理不同程度的雾度。更重要的是，提出了一种区间迭代数据细化训练策略，用于指导弱监督下的去雾模块学习。在RTTS和VOC数据集上进行实验。
评论 8
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

程序员Gloria

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值