我们提出了一种针对雾和弱光等恶劣天气条件的图像自适应对象检测方法。我们的框架采用可微分的预处理过滤器来执行适用于后期对象检测的图像增强。我们的框架引入了两个可微分滤波器：一个基于 B\'ezier 曲线的像素化 （BPW） 滤波器和一个基于内核的局部 （KBL） 滤波器。这些过滤器统一了传统图像处理过滤器的功能，并提高了对象检测的性能。我们还提出了一种使用 BPW 过滤器的与域无关的数据增强策略。我们的方法不需要对滤波器组合、参数范围和数据增强进行特定于数据的自定义。我们通过将我们提出的方法应用于 YOLOv3 检测器来评估我们提出的方法，称为通过统一图像处理 （ERUP）-YOLO 增强鲁棒性。在恶劣天气数据集上的实验表明，我们提出的过滤器匹配或超过传统方法的表现力，我们的 ERUP-YOLO 在各种恶劣天气条件下（包括雾和弱光条件）都取得了卓越的性能。



"点击查看英文标题和摘要"