当前位置：首页 > news >正文

FogGate-YOLO：直击雾天检测痛点，基于通道选择的 YOLOv8 优化方案

news 2026/4/16 8:13:59

点击蓝字

关注我们

关注并星标

从此不迷路

计算机视觉研究院

公众号ID｜计算机视觉研究院

学习群｜扫码在主页获取加入方式

https://pmc.ncbi.nlm.nih.gov/articles/PMC13030070/pdf/sensors-26-01811.pdf

计算机视觉研究院专栏

Column of Computer Vision Institute

本文提出的FogGate-YOLO—— 一款基于 YOLOv8n 优化的雾天目标检测框架，摒弃传统预处理思路，创新性引入GroupGatedConv和C2fGated两个模块，通过分层级的粗到精通道选择策略，直接强化模型的特征表示能力，在几乎不增加计算开销的前提下，显著提升雾天环境下的目标检测鲁棒性。

PART/1

困境与思路

在自动驾驶视觉检测中，雾滴的大气散射会导致图像对比度下降、目标特征被遮蔽，使得常规检测算法的漏检、误检率大幅上升，有研究表明，浓雾下 Faster R-CNN 的检测精度会从晴天的 91.55% 骤降至 57.75%。

现有雾天检测方法多聚焦图像去雾预处理，但这类方法存在明显短板：依赖物理模型的雾密度估计，难以适配不同雾浓度的复杂场景；额外的预处理步骤还会增加计算成本，不符合自动驾驶的实时性要求。

而基于深度学习的单阶段检测器（如 YOLO 系列）因推理速度快，成为实时检测的主流选择，但在雾天场景中，其特征提取能力易受雾噪干扰。为此，研究团队从特征层优化出发，将通道选择机制融入 YOLOv8n 的核心网络结构，通过自适应筛选有效特征、抑制雾噪，实现检测性能的提升，且全程无需额外的图像预处理。

PART/2

核心架构

FogGate-YOLO 核心架构：双模块打造分层通道选择

FogGate-YOLO 以轻量级的 YOLOv8n 为基础，在其骨干网络（Backbone）和颈部网络（Neck）中嵌入自主设计的GroupGatedConv和C2fGated模块，形成粗粒度通道筛选 + 细粒度特征校准的分层处理策略，整体网络架构如图 1 所示。

（图 1：FogGate-YOLO 网络架构图，紫色标注骨干网络修改部分，浅蓝色标注颈部网络修改部分）

1. GroupGatedConv：骨干网络的粗粒度通道选择

针对雾天场景中中层特征更具判别性的特点，该模块被嵌入 YOLOv8n 骨干网络第四层，在特征提取的同时完成粗粒度通道筛选，既抑制雾噪，又保留目标的核心结构特征。

其核心原理是将输出通道分组，通过门控机制为每个通道组学习自适应权重，选择性保留与目标相关的通道特征、抑制雾诱导的背景噪声，同时采用分组卷积的设计大幅降低计算开销，模块架构如图 2 所示。

（图 2：GroupGatedConv 模块架构图，不同颜色代表不同通道组特征图，圆圈为乘法操作，箭头为特征流方向）

2. C2fGated：多分支融合后的细粒度特征校准

基于 YOLOv8 的 C2f 模块优化而来，在特征拼接后嵌入ECA 高效通道注意力机制，实现多分支融合后的细粒度通道重校准，模块架构如图 3 所示。

（图 3：C2fGated 模块架构图，在 C2f 特征拼接后加入 ECA 注意力，最后通过 1×1 卷积调整输出通道）

该模块被分别嵌入骨干网络第七层和颈部网络第十九层，这两个位置的特征兼具空间细节和语义信息，能通过 ECA 机制的局部跨通道交互，自适应强调目标相关通道、弱化噪声通道，尤其提升浓雾中小目标的检测能力，且几乎不增加模型参数和计算量。

3. ECA 注意力模块：轻量级通道特征增强

作为 C2fGated 的核心组件，ECA 模块摒弃了传统通道注意力的降维操作，通过 1D 卷积捕捉通道间的局部依赖关系，自适应确定卷积核大小，在保证特征增强效果的同时，将计算开销降至最低，模块架构如图 4 所示。

（图 4：ECA 注意力模块架构图，箭头为特征流方向，圆圈为特征图乘法操作）

PART/3

实验

实验验证：精度提升且保持轻量级特性

为验证 FogGate-YOLO 的实际性能，研究团队基于Roboflow 真实雾天数据集（2975 张图像，8:2 划分训练 / 验证集）开展实验，以 Recall（召回率，雾天检测核心指标）、mAP50、mAP50-95 为评价标准，同时兼顾模型的 GFLOPs（计算量）和参数量，实验环境基于 PyTorch 框架，采用 NVIDIA RTX 3090 GPU 训练。

1. 对比实验：优于主流轻量级 YOLO 模型

将 FogGate-YOLO 与 YOLOv5n、YOLOv6n、YOLOv8n、YOLOv11n 等轻量级模型对比，结果显示，FogGate-YOLO 的 Recall 达到 39.8%，较基线 YOLOv8n 提升 2.6%；mAP50 达 41.3%，优于多数同量级模型。

关键是，其 GFLOPs 仍为 8.8、参数量仅 3.152M，与 YOLOv8n 基本一致，远低于 YOLOv5s、YOLOv8s 等大尺寸模型，实现了精度提升与轻量级特性的兼顾，检测结果对比如图 5 所示。

（表 1：不同检测方法的性能对比表，包含 Recall、mAP50、mAP50-95、GFLOPs、Param 指标）

（图 5：YOLOv8n 与 FogGate-YOLO 在雾天数据集的检测结果对比图，第一行为 YOLOv8n，第二行为 FogGate-YOLO）

2. 消融实验：双模块协同实现性能最优

为验证两个核心模块的有效性，团队开展消融实验，结果表明：

单独加入 C2fGated，Recall 提升 0.6%、mAP50 提升 1.0%；
单独加入 GroupGatedConv，Recall 提升 0.8%；
双模块协同加入时，模型性能达到最优，Recall 较基线提升 2.6%，且计算开销无明显增加，证明了粗粒度筛选 + 细粒度校准分层策略的互补性和有效性。（表 2：消融实验结果表，包含 YOLOv8n、单模块、双模块组合的各项性能指标）

3. 训练过程可视化：指标收敛稳定

FogGate-YOLO 的训练过程指标可视化结果显示，其边界框损失、分类损失、分布焦点损失均能快速收敛，验证集的 Precision、Recall、mAP50 指标稳定提升，无明显过拟合现象，证明模型的训练稳定性和泛化能力，训练指标变化如图 6 所示。

（图 6：FogGate-YOLO 训练过程指标可视化图，包含训练 / 验证集的损失曲线、Precision/Recall/mAP50 变化曲线）

PART/4

结论与展望

核心结论

FogGate-YOLO 通过GroupGatedConv和C2fGated双模块的协同设计，打造了一套适用于雾天环境的无预处理、轻量级、高鲁棒性的交通目标检测方案，核心优势体现在：

摒弃传统图像去雾预处理，直接从特征层优化，无需估计雾密度，适配不同雾浓度的真实场景；
分层级的通道选择策略，实现粗粒度雾噪抑制和细粒度目标特征增强，显著提升雾天检测的 Recall 和 mAP；
双模块设计几乎不增加计算开销和模型参数，保持 YOLOv8n 的轻量级特性，满足自动驾驶的实时性要求。

未来优化方向

尽管模型取得了良好的检测效果，仍有进一步优化的空间：

扩充数据集规模，增加不同雾浓度、不同场景的样本，提升模型的泛化能力；
深入探索 GroupGatedConv 模块的分组数等超参数，实现自适应分组，最大化特征筛选效果；
结合数据增强、迁移学习等技术，进一步提升模型在极端浓雾场景中的检测性能；
与当前先进的雾天检测模型开展对比实验，验证算法的竞争力。

PART/5

研究意义

FogGate-YOLO 为恶劣天气下的计算机视觉检测提供了新的研究思路，将通道选择机制与 YOLO 系列检测器深度融合，跳出了 “先去雾后检测” 的传统框架，实现了特征层优化与实时检测的平衡。

该方案不仅能应用于自动驾驶的雾天交通目标检测，还能为监控摄像头、无人机巡检等视觉检测场景的恶劣天气适配提供技术参考，具有重要的工程应用价值。

有相关需求的你可以联系我们！

END

转载请联系本公众号获得授权

计算机视觉研究院学习群等你加入！

ABOUT

计算机视觉研究院

计算机视觉研究院主要涉及深度学习领域，主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。研究院每日分享最新的论文算法新框架，提供论文一键下载，并分享实战项目。研究院主要着重”技术研究“和“实践落地”。研究院会针对不同领域分享实践过程，让大家真正体会摆脱理论的真实场景，培养爱动手编程爱动脑思考的习惯！

往期推荐

🔗