目標檢測旨在識別和定位特定對象，這對于自動駕駛和安全監控等應用至關重要[1]、[2]、[3]、[4]。現有的目標檢測方法已經取得了顯著進展，在標準光照條件下可以實現高識別精度[5]、[6]、[7]、[8]。然而，在低光照、運動模糊或濃霧等具有挑戰性的環境中，測試圖像和訓練圖像之間的領域差異會導致檢測精度下降。此外，在惡劣條件下標注圖像/視頻數據的高成本和難度嚴重阻礙了當前方法的實際應用。

現有的領域自適應方法在提高模型在特定環境中的魯棒性和適應性方面取得了進展[9]、[10]、[11]、[12]、[13]。師生范式使得模型能夠從預訓練的教師模型中學習目標領域的知識，且額外的訓練成本較低[14]。然而，現有方法通常只關注提高特定目標領域的性能，而忽略了源領域的性能，也無法同時在多個領域進行目標檢測。這一限制對于推進目標檢測算法的實際應用至關重要。為了解決這個問題，我們采用多尺度語義正則化來指導適配器提取與對象相關的特征。此外，我們還利用空間感知自適應特征融合來結合來自多個領域的信息，使模型能夠提取領域不變的特征并在不同領域中提高性能，如圖1所示。

我們提出了一種用于惡劣天氣條件下的目標檢測的空間感知自適應融合YOLO（SAF-YOLO）。SAF-YOLO是EIF-YOLO[15]的擴展版本，具有以下關鍵區別：1）SAF-YOLO通過空間感知特征融合整合與對象相關的特征，引導模型優先處理與對象相關的區域，而EIF-YOLO沒有這一機制；2）SAF-YOLO引入了一個新的雨天數據集進行測試，并評估了多領域目標檢測的結果，而EIF-YOLO沒有涉及這一點。具體來說，我們使用主干網絡和適配器從不同領域提取特征。為了確保適配器專注于與對象相關的信息，我們引入了多層感知正則化（MPR）來抑制無關環境因素的影響。此外，我們還加入了多尺度語義正則化（MSR）來引導模型朝向高級語義特征發展。另外，我們引入了空間感知自適應特征融合（SAFF），該機制在跨領域特征融合過程中根據空間位置動態調整融合系數，使模型能夠捕獲全面的對象信息。實驗結果表明，SAF-YOLO在各種惡劣條件下都能實現穩定高效的目標檢測。其貢獻總結如下：

在領域自適應目標檢測任務中，給定通過環境擾動獲得的源數據集X_s和目標數據集X_t [10]、[41]，現有方法通常只關注單一的具體目標領域，未能考慮模型在多個領域的性能。為了擴展模型以支持多領域目標檢測，我們構建了一個混合數據集

首先介紹實驗設置的詳細信息，然后探討模型在多領域目標檢測環境中的性能。此外，我們還驗證了模型在單領域目標檢測中的性能，并將其與幾種代表性方法進行了比較。同時，我們分析了SAF-YOLO中不同模塊的有效性。

我們提出了SAF-YOLO，這是一種利用空間感知自適應融合來處理各種惡劣天氣條件下圖像的目標檢測模型。我們保留了預訓練的主干網絡，并通過復制主干網絡的參數構建了一個額外的適配器。為了實現語義敏感的特征提取，我們引入了多尺度語義正則化來協調不同模塊提取的特征。考慮到不同領域的環境可能會干擾模型的性能

張云飛：撰寫——原始草稿、方法論、研究。鐘文龍：軟件開發、數據管理。江樂：撰寫——原始草稿、項目協調。吳思：撰寫——審稿與編輯、撰寫——原始草稿、方法論。

作者聲明他們沒有已知的財務利益或個人關系可能影響本文報告的工作。

本工作部分得到了TCL科技創新基金（項目編號20231752）、國家重點研發計劃（項目編號2024YFE0105400）、廣東省科技計劃（項目編號2025A050508003）以及廣東省基礎與應用基礎研究基金（項目編號2024A1515011437）的支持。