關(guān)鍵詞：YOLOv8;車輛檢測(cè);霧天環(huán)境;注意力機(jī)制

0 引言（Introduction）

車輛檢測(cè)是先進(jìn)駕駛員輔助系統(tǒng)和自動(dòng)駕駛汽車的關(guān)鍵技術(shù)之一，然而在霧天條件下，視覺圖像的質(zhì)量會(huì)受到嚴(yán)重影響，表現(xiàn)為圖像模糊泛白、缺乏細(xì)節(jié)信息，車輛信息顯著大幅度降低，直接導(dǎo)致了交通車輛檢測(cè)質(zhì)量的下降[1]。

目前，越來越多基于卷積神經(jīng)網(wǎng)絡(luò)的圖像處理算法被提出[2]，例如目標(biāo)檢測(cè)[3]。解宇虹等[4]探討了有霧場(chǎng)景下目標(biāo)檢測(cè)數(shù)據(jù)集的構(gòu)建和目標(biāo)檢測(cè)的解決方案。汪昱東等[5]在檢測(cè)網(wǎng)絡(luò)Faster R-CNN（Faster Region based Convolutional NeuralNetwork）中加入霧濃度判別模塊和注意力機(jī)制，并且引入可變形卷積。劉志濤等[6]使用單尺度的Retinex去霧算法結(jié)合改進(jìn)的YOLO-SSR。陳瓊紅等[7]提出結(jié)合AOD-Net（All-in-OneDehazing Network）去霧算法和SSD（Single Shot MultiBoxDetector）目標(biāo)檢測(cè)算法。院老虎等[8]通過暗通道先驗(yàn)算法檢測(cè)圖像進(jìn)行霧氣生成，再基于Faster R-CNN對(duì)數(shù)據(jù)集進(jìn)行目標(biāo)識(shí)別。王啟明等[9]提出了基于改進(jìn)YOLOv3的霧天行人車輛檢測(cè)方法。

分析上述文獻(xiàn)可知，針對(duì)霧天車輛檢測(cè)目前主要采用以下方法：①采用圖像模擬，收集足夠的樣本數(shù)量;②改進(jìn)算法，提高算法在霧天環(huán)境下的魯棒性?；谝陨涎芯浚疚奶岢隽艘环N改進(jìn)YOLOv8 的霧天環(huán)境下車輛檢測(cè)算法，即CSMYOLOv8。

1 YOLOv8算法（YOLOv8 algorithm）

YOLOv8算法與YOLOv3算法和YOLOv5算法一樣，都是由Glenn Jocher提出的。相較于其前身，YOLOv8算法在網(wǎng)絡(luò)主干結(jié)構(gòu)和特征提取方式上進(jìn)行了改進(jìn)，具有較高的檢測(cè)精度和較低的時(shí)間復(fù)雜度，其網(wǎng)絡(luò)結(jié)構(gòu)圖如圖1所示。

1.1Input

從YOLOv4 開始，YOLO 算法加入了馬賽克增強(qiáng)（Mosaic）、混合增強(qiáng)（Mixup）、空間擾動(dòng)（randomperspective）以及顏色擾動(dòng)（HSV augment）等技術(shù)，旨在增加目標(biāo)個(gè)數(shù)，豐富圖像背景。

1.2Backbone網(wǎng)絡(luò)

在Backbone部分，YOLOv8和YOLOv5秉持了一定的相似性，但YOLOv8將原有的C3模塊替換成C2f模塊。C2f模塊參考了C3模塊和YOLOv7的ELAN模塊，其結(jié)構(gòu)圖如圖2所示。

C2f模塊主要由殘差塊Bottleneck和Conv模塊構(gòu)成。從圖1中可以看出，C2f模塊使用了2個(gè)卷積塊，并加入了更多的分支，其目的是在保證輕量化的同時(shí)，獲得更加豐富的梯度流信息;而Bottleneck通過使用更小的卷積核代替大卷積核，以此加深網(wǎng)絡(luò)深度和減少網(wǎng)絡(luò)的參數(shù)量。

1.3 Neck結(jié)構(gòu)

在Neck部分，YOLOv8采用與YOLOv5相同的結(jié)構(gòu)，同時(shí)使用性能更優(yōu)越的C2f模塊替換了原有的C3模塊。同時(shí)，修改了FPN+PAN模塊的結(jié)構(gòu)，刪除了PAN-FPN中執(zhí)行上采樣操作前的卷積模塊，將不同階段的特征圖直接輸入上采樣，進(jìn)一步提高了網(wǎng)絡(luò)的特征提取能力。

1.4 Head網(wǎng)絡(luò)

在Head網(wǎng)絡(luò)中，與YOLOv5相比，YOLOv8有兩處明顯的修改。一處修改是采用解耦頭的結(jié)構(gòu)，即兩條并行的分支分別提取類別特征和位置特征，然后各用一層1×1卷積完成分類和定位任務(wù)。另一處修改則是從有錨框變更為無錨框。YOLOv5是采用基于錨框方法提供先驗(yàn)信息，對(duì)目標(biāo)物體進(jìn)行位置回歸預(yù)測(cè)。這種方法需要先確定長(zhǎng)寬比等參數(shù)，影響了檢測(cè)的效率。因此，YOLOv8變更為無錨框預(yù)測(cè)，減少了預(yù)測(cè)所產(chǎn)生的邊界數(shù)量，簡(jiǎn)化了模型的結(jié)構(gòu)。

2 方法（Method）

為了解決網(wǎng)絡(luò)模型的精度較低的問題，對(duì)YOLOv8的Backbone層進(jìn)行重新設(shè)計(jì)，引入了輕量級(jí)的注意力機(jī)制模塊———SEAttention。該模塊憑借其高效的計(jì)算速度和極低的計(jì)算開銷，容易集成到現(xiàn)代網(wǎng)絡(luò)架構(gòu)。此外，為了使模型可以從不同角度學(xué)習(xí)語義信息，在SPPF（Spatial Pyramid Pooling-Fast）前增加了MHSA模塊，以提高目標(biāo)的特征提取能力，使模型能獲得更多的車輛特征信息。在此基礎(chǔ)上，修改了C2f模塊，引入SA-Net（Shuffle Attention）模塊，按照通道分組，針對(duì)不同位置設(shè)計(jì)了專門的注意力掩碼。CSM-YOLOv8的網(wǎng)絡(luò)結(jié)構(gòu)圖如圖3所示。

2.1SA-Net

引入高效的注意力機(jī)制ShuffleAttention[10]可以解決模型訓(xùn)練速度過慢的問題。SA-Net模塊將輸入劃分為多個(gè)通道組，對(duì)每組子特征使用Shuffle Unit構(gòu)建通道注意力和空間注意力。每個(gè)注意力模塊設(shè)計(jì)了位置特定的注意力掩碼，用來抑制噪聲，增強(qiáng)有效語義信息，在不增加計(jì)算成本的情況下提升模型的性能。SA-Net由4個(gè)部分構(gòu)成，其結(jié)構(gòu)圖如圖4所示。

2.1.1 特征分組

首先給定特征圖X ∈RC×W ×H ，其中C 代表通道數(shù)，H 和W 分別代表高度和寬度。其次按通道維度分組為g 組X =[X1，X2，X3，…，Xg]，Xk=R（C/G）×W ×H 。最后將Xk 沿著通道維度分割為兩個(gè)部分，每個(gè)部分的通道數(shù)就是原通道數(shù)的一半，即C/2G。一個(gè)分支基于通道間關(guān)系生成通道注意力圖，另一個(gè)分支通過空間關(guān)系生成空間注意力圖。

2.1.2 通道注意力

首先對(duì)這一分支進(jìn)行自適應(yīng)平均池化，將每個(gè)通道上的特征圖大小降為1×1，獲得通道統(tǒng)計(jì)信息。其次對(duì)平均池化后的特征進(jìn)行線性變換，增強(qiáng)特征表示。最后將經(jīng)過線性變換后的特征圖與通過Sigmoid激活函數(shù)處理后的權(quán)重相乘，實(shí)現(xiàn)通道注意力的加權(quán)，從而獲得包含通道注意力權(quán)重X'k1 的類別表示，其計(jì)算公式如下：

2.1.3 空間注意力

首先對(duì)這一分支進(jìn)行組歸一化，以此獲得空間統(tǒng)計(jì)信息，對(duì)歸一化后的特征進(jìn)行線性變換。其次將經(jīng)過線性變換后的特征圖與通過Sigmoid激活函數(shù)處理后的權(quán)重相乘嵌入全局信息，獲得空間注意力權(quán)重X'k2，實(shí)現(xiàn)空間注意力的加權(quán)，其計(jì)算公式如下：

其中：W2 和b2 是通過訓(xùn)練得到的，W2，b2∈R（C/2G）×1×1;GN表示組歸一化函數(shù)。

2.1.4 聚合

首先將通道注意力和空間注意力加權(quán)后的特征X'k1、X'k2沿著通道維度進(jìn)行拼接，聚合所有子特征。其次對(duì)拼接后的特征進(jìn)行通道混洗操作，使不同分組的特征在通道維度上交錯(cuò)排列，保證各個(gè)子特征的信息交互。將C2f模塊的第一個(gè)卷積替換為SA-Net模塊，修改后的C2f模塊重命名為C2f_S結(jié)構(gòu)，其結(jié)構(gòu)圖如圖5所示。

通過上述方法，可以使模型更加關(guān)注圖像的空間信息，增強(qiáng)特征圖中的重要區(qū)域，從而提升模型對(duì)目標(biāo)的識(shí)別能力，特別是在霧天環(huán)境下，模型對(duì)車輛信息的提取更準(zhǔn)確、高效。

2.2SEAttention注意力機(jī)制

HU等[11]提出了通道注意力模塊SEAttention，通過對(duì)不同通道賦予不同的權(quán)重獲取每個(gè)特征通道的重要程度。SE注意力機(jī)制主要由壓縮、激勵(lì)和縮放3個(gè)部分組成，其工作機(jī)制如下。

2.2.1 壓縮

采用全局平均池化的操作，將特征圖為H ×W ×C 的通道維度降為1，即得到一個(gè)尺寸為1×1×C 的全局特征。

其中：H 、W 分別為輸入特征圖的高和寬;Zc 為平均池化層的輸出特征;Fsq（·）為壓縮操作;uc 為輸入特征圖;i 和j 均為特征圖尺寸變量。

2.2.2 激勵(lì)

通過兩層全連接網(wǎng)絡(luò)將壓縮后的特征張量進(jìn)行非線性變換，捕捉通道的內(nèi)部依賴程度參數(shù)，以此得到特征通道的裁剪系數(shù)。第一層全連接網(wǎng)絡(luò)的作用是降低維度，使用ReLU函數(shù)進(jìn)行激活;第二層全連接網(wǎng)絡(luò)使降維后的維度恢復(fù)到初始的維度。通過Sigmoid激活函數(shù)預(yù)測(cè)每個(gè)通道的重要性。實(shí)質(zhì)上，通過全局特征進(jìn)行激勵(lì)操作有利于學(xué)習(xí)各通道之間的關(guān)系。將得到的權(quán)重乘以每個(gè)通道，以此增強(qiáng)網(wǎng)絡(luò)對(duì)重要通道的學(xué)習(xí)能力，進(jìn)而提高識(shí)別率。

s=Fex（z，W ）=σ（g（z，W ））=σ（W2δ（W1z）） （4）其中：s 代表每個(gè)通道對(duì)應(yīng)的權(quán)重，z 是經(jīng)過squeeze操作后獲得的全局特征描述符向量，σ 代指ReLU函數(shù)，δ 是Sigmoid函數(shù)，F(xiàn)ex（·）是激勵(lì)函數(shù)，W1 代表第一層全連接層參數(shù)，W2 代表第二層全連接層參數(shù)。

2.2.3 縮放

將激勵(lì)階段輸出的每一通道的權(quán)重與原始輸入特征張量進(jìn)行通道維度上的加權(quán)，這樣可以增強(qiáng)模型對(duì)重要通道的關(guān)注度，減少不重要通道的干擾。

其中：x～c 為特征映射和標(biāo)量之間對(duì)應(yīng)通道乘積;Fscale（·）為特征映射和標(biāo)量之間對(duì)應(yīng)通道乘積;sc 為壓縮操作后的權(quán)重系數(shù)，即Fex（·，W ）。特征壓縮與激發(fā)模塊結(jié)構(gòu)如圖6所示。

圖6中，F(xiàn)tr 表示傳統(tǒng)卷積操作;X 表示輸入;U 表示輸出;C 表示圖像通道數(shù);W 和H 分別表示圖像的寬度和高度;C'、H'、W'則分別是卷積操作Ftr 之前的圖像的通道數(shù)、高度和寬度。Fsq（）代表對(duì)U 進(jìn)行全局平均池化，得到1×1×C。將輸出數(shù)據(jù)經(jīng)過Fex（）操作，也就是兩級(jí)全連接;使用Sigmoid歸一化，將結(jié)果固定為0～1;將得到的值作為權(quán)重乘每個(gè)通道，作為下一級(jí)的輸入數(shù)據(jù)。

SEAttention模塊是一種輕量級(jí)的注意力機(jī)制模塊，能集成到各種網(wǎng)絡(luò)模型中，僅增加少量的模型復(fù)雜度和計(jì)算開銷。在檢測(cè)任務(wù)中，隨著網(wǎng)絡(luò)的不斷加深，模型容易忽略某些目標(biāo)特征，進(jìn)而造成目標(biāo)的漏檢。因此，通過在網(wǎng)絡(luò)中的適當(dāng)位置嵌入SE注意力模塊，給予重要的目標(biāo)特征更多的關(guān)注，從而使得提取的特征指向性更強(qiáng)且特征利用更充分。

2.3 MHSA

SRINIVAS等[12]提出了一種新的BoTNet（Bottleneck TransformerNetwork）網(wǎng)絡(luò)，將卷積操作替換為多頭自注意力機(jī)制，即MHSA。該模塊的核心是多頭自注意力機(jī)制，它首先對(duì)輸入張量進(jìn)行查詢、鍵和值的轉(zhuǎn)換，其次計(jì)算注意力權(quán)重并將值向量與之相乘。如果選擇了位置編碼，模塊會(huì)在計(jì)算注意力權(quán)重時(shí)考慮位置信息。MHSA模塊結(jié)果如圖7所示。

首先，獲取輸入張量的批量大小、通道數(shù)、寬度和高度;創(chuàng)建3個(gè)1×1的卷積層，用于轉(zhuǎn)換輸入張量為查詢向量、鍵向量和值向量;對(duì)輸入張量進(jìn)行查詢向量轉(zhuǎn)換，并重塑形狀以匹配多頭注意力的要求。其次，計(jì)算查詢向量和鍵向量之間的點(diǎn)積，得到代表輸入序列的特征向量，即內(nèi)容矩陣;考慮到圖像和位置編碼都是二維的信息，利用h 和w 代表垂直和水平方向上的相對(duì)信息，將兩者相加得到相對(duì)位置編碼矩陣;將q 和相對(duì)位置編碼矩陣相乘得到位置矩陣，表示各個(gè)位置之間的相對(duì)的位置信息。最后，使用softmax函數(shù)計(jì)算注意力權(quán)重，將值向量與注意力權(quán)重進(jìn)行加權(quán)求和，得到最終的輸出結(jié)果。

自注意機(jī)制可以引導(dǎo)模型從不同角度學(xué)習(xí)不同的語義信息，并且優(yōu)化器中隨著模型訓(xùn)練同步更新，從而學(xué)習(xí)到更合適的相對(duì)位置編碼信息。

3 實(shí)驗(yàn)（Experiment）

3.1 數(shù)據(jù)集

在霧天場(chǎng)景下，由于環(huán)境干擾導(dǎo)致圖像質(zhì)量差，給目標(biāo)檢測(cè)的任務(wù)帶來了較大的挑戰(zhàn)。常見的車輛檢測(cè)數(shù)據(jù)集包括UADETRAC（UA Detection and Tracking Dataset）車輛檢測(cè)數(shù)據(jù)集和BIT-Vehicle（Beijing Institute of Technology Vehicle Dataset數(shù)據(jù)集。UA-DETRAC車輛檢測(cè)數(shù)據(jù)集包含4類車輛類別，即小汽車（car）、公共汽車（bus）、貨車（van）和其他（others）。BITVehicle數(shù)據(jù)集是一個(gè)專注于車輛檢測(cè)的高質(zhì)量中國本土數(shù)據(jù)集，涵蓋了9 850張車輛圖像。這些圖像展現(xiàn)了多樣化的場(chǎng)景，包括不同的照明條件、車輛比例、表面顏色以及拍攝視點(diǎn)。

由于針對(duì)霧天場(chǎng)景的數(shù)據(jù)集圖片較少，無法滿足深度學(xué)習(xí)模型訓(xùn)練需求，因此本文結(jié)合UA-DETRAC車輛檢測(cè)數(shù)據(jù)集與BIT-Vehicle數(shù)據(jù)集，從中挑選4 500張作為訓(xùn)練集，另外700張作為驗(yàn)證集。為細(xì)化檢測(cè)粒度，研究人員將車輛類別劃分為3 類，分別是小汽車（car）、公共汽車（bus）和其他（others）。為了提升YOLOv8在霧天環(huán)境下的車輛檢測(cè)性能，采用了一種基于大氣散射模型的數(shù)據(jù)擴(kuò)充策略。該策略通過模擬霧天的視覺效果，能增強(qiáng)模型的泛化能力，具體方法是在圖像上覆蓋一層透明度逐漸增加的白色圖層，模擬霧從地面升起的自然現(xiàn)象。通過調(diào)整參數(shù)，研究人員能夠模擬不同程度的霧天效果。

通過這種方法，生成一批模擬霧天環(huán)境下車輛的圖像，并將其加入YOLOv8模型的訓(xùn)練集中。這一舉措不僅極大地豐富了訓(xùn)練數(shù)據(jù)的多樣性，還增強(qiáng)了模型在霧天環(huán)境下的魯棒性和準(zhǔn)確性。經(jīng)過霧天視覺模擬訓(xùn)練，YOLOv8模型在識(shí)別和定位霧中車輛方面的能力得到顯著提升，進(jìn)一步拓寬了其在自動(dòng)駕駛和智能交通系統(tǒng)等領(lǐng)域的應(yīng)用前景。

3.2 訓(xùn)練環(huán)境

實(shí)驗(yàn)在配備NVIDIA A10的服務(wù)器上進(jìn)行，實(shí)驗(yàn)環(huán)境包括Python 3.9、Pytorch 1.11.0。學(xué)習(xí)率初始化設(shè)置為0.01，學(xué)習(xí)率動(dòng)量設(shè)置為0.937，權(quán)重衰減設(shè)置為0.000 5，訓(xùn)練時(shí)間設(shè)置為200輪。實(shí)驗(yàn)圖像的分辨率設(shè)置為640×640，批次大小設(shè)置為16。為了確保研究的可重復(fù)性和清晰度，實(shí)驗(yàn)軟硬件環(huán)境如表1所示。

3.3 評(píng)價(jià)標(biāo)準(zhǔn)

為了驗(yàn)證所提出模型的性能，本文使用實(shí)驗(yàn)中的評(píng)價(jià)指標(biāo)主要為精度P、召回率R、平均精度AP、平均精度均值mAP和FPS。精度是正確分類的檢測(cè)到的陽性樣本的比例，而召回率是檢測(cè)到的陽性樣本的比例。精度和召回率定義如下：

其中：n 表示類別的總數(shù)，在本研究中，數(shù)據(jù)集只包含一個(gè)類別的車，因此n=1。檢測(cè)速度用FPS（每秒幀數(shù)）衡量，F(xiàn)PS 定義為幀速率，表示每秒可檢測(cè)的圖像數(shù)量，其定義如下：

其中：δ 表示圖像預(yù)處理時(shí)間，β 表示推理速度，NMS 表示后處理時(shí)間。

3.4 實(shí)驗(yàn)結(jié)果分析

本文設(shè)計(jì)了兩組實(shí)驗(yàn)，即不同改進(jìn)部分的消融實(shí)驗(yàn)和與不同版本算法的對(duì)比實(shí)驗(yàn)。

3.4.1 消融實(shí)驗(yàn)

為了更好地驗(yàn)證本研究所提出的改進(jìn)方法的有效性，對(duì)所提出的改進(jìn)方法進(jìn)行一系列的消融實(shí)驗(yàn)，在實(shí)驗(yàn)中使用相同的數(shù)據(jù)集進(jìn)行測(cè)試，實(shí)驗(yàn)結(jié)果如表2所示。其中，C-YOLO是修改YOLOv8中C2f模塊的第一個(gè)卷積為SA-Net模塊。SYOLO是在YOLOv8的骨干網(wǎng)絡(luò)中插入了可以增強(qiáng)模型對(duì)重要特征關(guān)注程度的SEAttention注意力機(jī)制。M-YOLO模型加入了MHSA模塊。CSM-YOLOv8是本文提出的算法，包含SA-Net、SEAttention和MHSA。模型經(jīng)修改后，其網(wǎng)絡(luò)平均精度會(huì)有一定程度的提升，表2中的數(shù)據(jù)表明，本研究提出的改進(jìn)方法有效。

3.4.2 對(duì)比分析

為進(jìn)一步評(píng)估本文提出的改進(jìn)網(wǎng)絡(luò)CSM-YOLOv8的有效性和先進(jìn)性，在相同條件下與各種先進(jìn)算法進(jìn)行了對(duì)比研究。所有實(shí)驗(yàn)?zāi)Ｐ褪窃跊]有預(yù)訓(xùn)練權(quán)重的情況下進(jìn)行訓(xùn)練的模型的批次大小設(shè)置為16，epochs為200。改進(jìn)后的CSMYOLOv8得到的mAP 值高于其他版本，以此驗(yàn)證本研究提出的改進(jìn)方法的有效性，對(duì)比實(shí)驗(yàn)結(jié)果如表3所示。

將本文網(wǎng)絡(luò)與YOLOv8原始網(wǎng)絡(luò)在自制數(shù)據(jù)下進(jìn)行可視化檢測(cè)，結(jié)果如圖8（a）至圖8（f）所示。圖8（a）、圖8（c）和圖8（e）是原始YOLOv8檢測(cè)的結(jié)果。圖8（b）、圖8（d）和圖8（f）是改進(jìn)后的模型檢測(cè)的結(jié)果。在圖8（a）和圖8（b）中，在對(duì)霧天環(huán)境下近距離車輛的檢測(cè)過程中，YOLOv8出現(xiàn)了漏檢的情況。在圖8（c）和圖8（d）中可以看到，原始的YOLOv8網(wǎng)絡(luò)檢測(cè)遠(yuǎn)距離的小目標(biāo)車輛時(shí)，會(huì)出現(xiàn)檢測(cè)精度低及漏檢的現(xiàn)象。在圖8（e）和圖8（f）中，當(dāng)出現(xiàn)多個(gè)目標(biāo)車輛時(shí)，易發(fā)生漏檢或者錯(cuò)檢現(xiàn)象。改進(jìn)后的模型在對(duì)霧天遠(yuǎn)距離多目標(biāo)車輛進(jìn)行檢測(cè)時(shí)，出現(xiàn)的漏檢個(gè)數(shù)小于原始的YOLOv8網(wǎng)絡(luò)。同時(shí)，本文提出的網(wǎng)絡(luò)對(duì)霧氣濃重環(huán)境下展現(xiàn)出較好的車輛檢測(cè)魯棒性，能夠有效應(yīng)對(duì)由于車輛的特征不明顯而產(chǎn)生漏檢和錯(cuò)檢的問題。總而言之，本研究基于YOLOv8改進(jìn)的網(wǎng)絡(luò)在霧天車輛檢測(cè)任務(wù)中，特別是對(duì)于遠(yuǎn)處小目標(biāo)車輛的識(shí)別，展現(xiàn)出了顯著優(yōu)勢(shì)。與原始網(wǎng)絡(luò)相比，該改進(jìn)網(wǎng)絡(luò)有效降低了漏檢率，大幅提升了檢測(cè)效果，充分驗(yàn)證了其在復(fù)雜氣象條件下的優(yōu)越性能和實(shí)用性。

4 結(jié)論（Conclusion）

為應(yīng)對(duì)霧天環(huán)境下車輛檢測(cè)精度下降的問題，本文提出了一種基于YOLOv8的改進(jìn)算法，即CSM-YOLOv8。在所提方法中，將選擇性核網(wǎng)絡(luò)SA-Net與YOLOv8模型的C2f模塊相結(jié)合作為基本框架。這一設(shè)計(jì)通過通道分組策略，并構(gòu)建通道注意力和空間注意力，有效增強(qiáng)了有效的語義信息的提取能力，從而提高了目標(biāo)識(shí)別的效率和有效性。引入了通道注意力模塊SEAttention和自注意力機(jī)制MHSA。其中，SEAttention通過對(duì)不同通道賦予不同的權(quán)重，獲取每個(gè)特征通道的重要程度，進(jìn)而提高重要特征的權(quán)重;自注意力機(jī)制MHSA能引導(dǎo)模型從不同角度學(xué)習(xí)不同的語義信息，使其更適合霧天場(chǎng)景下的車輛檢測(cè)。實(shí)驗(yàn)結(jié)果表明，CSM-YOLOv8具有更高的檢測(cè)精度與準(zhǔn)確性，展現(xiàn)了其在霧天車輛檢測(cè)領(lǐng)域的優(yōu)越性能。未來，將繼續(xù)增加行人的數(shù)據(jù)集圖片數(shù)量，并引入更多樣化的霧天場(chǎng)景，以進(jìn)一步提升CSM-YOLOv8在復(fù)雜道路條件和惡劣天氣條件下的目標(biāo)檢測(cè)能力，為實(shí)現(xiàn)更廣泛、更可靠的道路目標(biāo)檢測(cè)奠定堅(jiān)實(shí)的基礎(chǔ)。