WRRT-DETR: Wetterrobustes RT-DETR zur Objekterkennung aus der Drohnenansicht bei widrigen Wetterbedingungen

Mit dem schnellen Fortschritt der UAV-Technologie ist eine robuste Objekterkennung unter widrigen Wetterbedingungen entscheidend geworden, um die Umweltwahrnehmung von UAVs zu verbessern. Die Objekterkennung unter solchen herausfordernden Bedingungen bleibt jedoch ein erhebliches Hindernis, und standardisierte Bewertungsbenchmarks fehlen weiterhin. Um diese Lücke zu schließen, führen wir den Adverse Weather Object Detection (AWOD) Datensatz ein - einen groß angelegten Datensatz, der für die Objekterkennung in komplexen maritimen Umgebungen maßgeschneidert ist. Der AWOD-Datensatz umfasst 20.000 Bilder, die unter drei repräsentativen widrigen Wetterbedingungen aufgenommen wurden: neblig, Blendung und schwaches Licht. Um die Herausforderungen der Skalierungsvariation und der visuellen Verschlechterung, die durch raues Wetter verursacht werden, zu bewältigen, schlagen wir WRRT-DETR vor, ein wetterrobustes Objekterkennungsframework, das für kleine Objekte optimiert ist. Innerhalb dieses Frameworks entwerfen wir einen gated single-head global-local attention backbone block (GLCE), um lokale konvolutionale Merkmale mit globaler Aufmerksamkeit zu fusionieren und die Unterscheidbarkeit kleiner Objekte zu verbessern. Zusätzlich wird ein Frequency-Spatial Feature Augmentation Module (FSAE) eingeführt, um Informationen im Frequenzbereich zu integrieren für verbesserte Robustheit, während ein Attention-based Cross-Fusion Module (ACFM) die Integration von Multi-Scale-Merkmalen erleichtert. Experimentelle Ergebnisse zeigen, dass WRRT-DETR SOTA-Methoden auf dem AWOD-Datensatz übertrifft und überlegene Robustheit und Erkennungsgenauigkeit unter komplexen Wetterbedingungen aufweist.