فيما يتعلق بمشكلة دقة الكشف عن عيوب الطرق في الأيام الضبابية وانخفاض عدد معلمات النموذج، تم اقتراح طريقة تحسين_detection_خفيف_لعيوب_الطرق في الأيام الضبابية استنادًا إلى YOLO11n، بهدف تحسين دقة الكشف في البيئات الضبابية وتسهيل نشر النموذج الخفيف. أولاً، تم بناء شبكة إزالة الضباب الأمامية (Dehaze-Network، DH-Net) داخل الشبكة الأساسية، من خلال تطبيع القنوات وآلية نقل الإحصائيات عبر الطبقات، للحفاظ على اتساق بنية الصورة المزالة للضباب وتحقيق تحسين مشترك موجه لمهام الكشف، مما يقلل من تأثير الضباب على نتائج الكشف؛ ثانيًا، تم استخدام وحدة تخفيض حجم ذاتية التكيف (ADown) كبديل لتخفيض الحجم التقليدي باستخدام الالتفاف، لتقليل عدد المعلمات والاحتفاظ بالميزات الحقيقية الهامة، مما يعزز القدرة على استخراج تفاصيل العيوب؛ ثم، تم تصميم شبكة هرمية خماسية المساعدة متعددة الفروع، من خلال تكيف نواة الالتفاف الديناميكي ودمج هرم الخصائص المتعددة الاتجاهات، لتعزيز القدرة على تمثيل الأهداف الضبابية عبر المقاييس المختلفة، مما يقلل من تأثير الضباب على الكشف؛ أخيرًا، تم استخدام الالتفاف الجزئي لتحسين الرأس بشكل خفيف، لتقليل العبء الحسابي من خلال عمليات الالتفاف الجزئي. أظهرت التجارب على مجموعات بيانات مختلفة أن تحسين النموذج زاد من المقياس الوسيط الدقيق (mAP) بمقدار 2.1% و3% مقارنة بالمعايير، وانخفض عدد المعلمات بنسبة 47.2%. توفر هذه الطريقة حلاً عالي الدقة ومنخفض استهلاك الموارد لفحص الطرق في الأيام الضبابية.
درس Chen et al. (Thu,) هذه المسألة.