YOLOv8-FOG:改进YOLOv8的雾天环境目标检测算法OA

针对自动驾驶目标检测算法在可见度低、光线散射严重的雾天环境感知能力较差,参数量大和识别精度差的问题,提出一种基于YOLOv8的高精度检测算法——YOLOv8-FOG。在主干网络中,融合空洞卷积技术(Dilated Convolution)和SPPF(Spatial Pyramid Pooling-Fast),构建CXP(Cavity Pyramid Pooling)特征提取模块,提升模型对雾天环境中多尺度目标的特征提取能力。同时,在Neck网络部分提出DCAM(Deformable Convolutional Attention Module)卷积注意力机制,灵活调整注意力,进一步增强模型对目标特征的辨识能力。最后,使用WIoU(Wise-IoU)作为损失函数,改善模型对目标定位的准确性。在公开数据集RTTS和Foggy Cityscapes上进行实验,相比原始YOLOv8模型,改进后的模型在精确度、召回率和mAP上分别提高了6.0百分点、13.3百分点、10.1百分点。实验结果表明,本文提出的模型改善了雾天环境下对道路目标的识别效果,参数量降低、检测精度提高,在复杂道路场景下有效提升了检测性能。