Key points are not available for this paper at this time.
الملخص استُلهمت فكرة هذا النموذج الجديد المعروف باسم شبكة الطقس القاسي (ADWNet) من إطار الكشف عن الأشياء المتطور YOLOv8. لتعزيز قدرات استخراج الميزات للنموذج، تم دمج وحدة التركيز المتعددة المقاييس (EMA) في الهيكل الأساسي. لمعالجة مشكلة فقدان المعلومات في الميزات المدمجة، تم استبدال العنق بـ RepGDNeck. في نفس الوقت، لتسريع تقارب النموذج، تم تحسين دالة خسارة صندوق الحدود إلى خسارة SIoU. لتوضيح مزايا ADWNet في سياق الظروف الجوية القاسية، تم إجراء دراسات تجريبيه وتجارب مقارنة. تشير النتائج إلى أنه على الرغم من زيادة عدد معلمات النموذج بنسبة 18.4%، فإن دقة اكتشاف المطر والثلج والضباب في الظروف الجوية القاسية تحسنت بنسبة 22%، بينما انخفضت FLOPs (عمليات النقطة العائمة) بنسبة 5%. تُظهر نتائج التجارب المقارنة التي أُجريت على مجموعة بيانات WEDGE أن ADWNet يتفوق على نماذج كشف الأشياء الأخرى في الظروف الجوية القاسية من حيث الدقة ومعلمات النموذج وFLOPs. للتحقق من فعالية ADWNet في العالم الحقيقي، تم استخراج بيانات من مسجل سيارة تحت ظروف قاسية على الطرق السريعة، وتم إجراء استدلال بصري، وتم إثبات دقتها في تفسير السيناريوهات الواقعية. تتوفر ملفات التكوين على https://github.com/Xinyun‐Feng/ADWNet.
درس Feng et al. (Sun,) هذا السؤال.