雾天无人机检测性能暴跌96%，雾感知训练最高提升0.320 mAP！
Evaluating the Robustness of Anti-UAV Detection under Controlled Fog Degradation: Fog-Aware Training and Clear-Sky Tradeoff
📖 AI 总结
本研究针对视觉反无人机系统在恶劣天气下性能评估不足的问题，构建了首个雾天严重程度可控的检测基准。作者在Anti-UAV300数据集的RGB模态上合成十级雾效，对比了晴空训练的YOLOv5m基线模型与融合晴空及雾天图像的雾感知模型。结果显示，检测性能随雾浓度上升呈非线性急剧下降，退化主要集中在中轻度雾段，从晴空到最浓雾条件mAP@0.5:0.95下降达96%，主要源于召回率与置信度损失，其崩溃程度超过此前基准中最极端的降雨退化情形。雾感知训练可在各雾级下提升检测性能，最高增益达0.320 mAP@0.5:0.95，但晴空精度仅下降9.1%，且无法阻止极端雾下的性能崩溃。研究表明，可靠检测仅在较窄能见度范围内成立，简单的晴空与恶劣天气二分测试会低估实际运行风险。
🔑 关键词速览
| Anti-UAV300 | 一个用于反无人机检测的公开数据集，包含多种场景下的无人机影像。 |
| YOLOv5m | YOLO系列目标检测模型的中等规模版本，常用于实时检测任务。 |
| mAP@0.5:0.95 | 目标检测中常用的评估指标，计算IoU阈值从0.5到0.95的平均精度均值。 |
| 雾感知训练 | 在训练集中加入雾天图像，使模型学习适应雾天条件的训练策略。 |
| 严重程度可控的雾天基准 | 通过合成不同浓度雾来系统评估模型在不同雾严重程度下性能的测试基准。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅