CFMU-YOLOv10n：多模块协同优化的恶劣天气鲁棒行人检测算法

高刃，龚玉，徐龙艳

（湖北汽车工业学院 智能网联汽车学院，湖北 十堰442002）

摘 要:恶劣天气下，摄像头所捕获图像易出现模糊、严重遮挡及光照分布不均等状况，导致检测目标与背景区分难度增大。为提升恶劣天气环境中的行人检测能力，提出一种CFMU-YOLOv10n算法。首先，设计CPA-Enhancer自适应增强模块；根据不同的天气条件动态调整增强策略，修复行人轮廓与纹理等基础特征，为后续模块提供优质输入。其次，采用FasterNet的FasterBlock模块改进C2f中的Bottleneck模块，构造轻量化C2f-Faster模块；在降低计算量和参数量的同时，平衡增强模块的计算开销。此外，引入聚焦调制（FocalModulation）模块替代原有的SPPF模块，强化语义区分能力，提升难检测目标精度。最后，将回归损失函数优化为Unified-IoU，提升收敛效率与检测框定位精度。实验结果表明：CFMU-YOLOv10n在AdverseWeatherPed数据集上的mAP₅₀达80.4%，较原始算法提升6.4百分点；其mAP_50-95提升4.2百分点，准确率提升5.1百分点，验证了其在恶劣天气行人检测任务中的有效性。在ExDark和RTTS数据集上，mAP₅₀分别提升3.9和0.8百分点，证明了改进算法的泛化性。

关键词：恶劣天气条件，YOLOv10n，行人检测，C2f-Faster，损失函数

扫二维码浏览全文

Cite this article

Gao, R., Gong, Y. & Xu, L. CFMU-YOLOv10n: Multi-Module Collaborative Optimization for Robust Pedestrian Detection in Adverse Weather. J. Shanghai Jiaotong Univ. (Sci.) (2025). https://doi.org/10.1007/s12204-025-2885-6