1、总体概述 基于深度学习的目标检测在常规条件的数据集可以获得不错的结果，但是在环境、场景、天气、照度、雾霾等自然条件的综合干扰下，深度学习模型的适应程度变低，检测结果也随之下降，因此研究在复杂气象条件下的目标检测方法就显得尤为重要。现有的方法在增强图像和目标检测之间很难做到平衡，有的甚至忽略有利于检测的信息。 本文为了解决上述问题，提出了IA-YOLO架构，该架构可以自适应的增强图像，以

Abstract 提出了一种雾自适应YOLO算法。使用一种雾评估算法将图片分为有雾和无雾图片，随后将标准的YOLO应用于正常图片，自适应YOLO应用于有雾图片。 Method 目前的除雾方法去除雾霾时不考虑其雾度和发生频率。例如，图像自适应YOLO算法[6]试图在使用YOLO算法进行对象检测之前使用CNN网络对输入图像进行去雾，但它不考虑图像的雾度，并且总是对图像应用相同的去雾方法。显然

论文链接：https://arxiv.org/pdf/2309.08152.pdfhttps://arxiv.org/pdf/2206.01381.pdfhttps://arxiv.org/pdf/2309.08152.pdf 代码链接：https://github.com/DiffPrompter/diff-prompter 目前没有完整代码放出。         恶劣天气下的目标检测主要

论文链接：https://arxiv.org/pdf/2309.08152.pdfhttps://arxiv.org/pdf/2206.01381.pdfhttps://arxiv.org/pdf/2309.08152.pdf 代码链接：https://github.com/DiffPrompter/diff-prompter 目前没有完整代码放出。         恶劣天气下的目标检测主要

发布时间：2022.4.4 (2021发布，进过多次修订) 论文地址：https://arxiv.org/pdf/2112.08088.pdf 项目地址：https://github.com/wenyyu/Image-Adaptive-YOLO 虽然基于深度学习的目标检测方法在传统数据集上取得了很好的结果，但从在恶劣天气条件下捕获的低质量图像中定位目标仍然具有挑战性。现有的方法要么在平衡图像增强