Oct, 2021

在极低光照条件下，通过夜间物体检测数据集更仔细地研究检测

PDF
TL;DR本文针对低光环境下目标检测存在的困难，提出了一个高质量大规模的夜间目标检测数据集及其数据集子集的实例级注释，分析了低光条件对于机器认知的困难，并提出了一个用于优化机器认知的图像增强模块以及两种新颖的数据增强技术，实验结果证实该方法在低光数据集上能够持续提升检测性能。
发现论文，激发创造
  • 利用零样本日夜领域自适应提升物体检测

    通过零样本白天 - 夜晚领域自适应方法，我们在不需要真实低光照数据的情况下，提出了一种增强低光物体检测的方法。我们设计了一个反射率表示学习模块，通过仔细设计的光照不变性增强策略，学习了基于 Retinex 的图像不变性。同时，我们引入了一个互换重组相干步骤，通过进行两次顺序图像重组和引入重组相干损失来改进传统 Retinex 图像分解过程。在 ExDark、DARK FACE 和 CODaN 数据集上进行了大量实验，验证了我们方法的强大低光照普适性。

    Dec, 2023

  • 低光图像鲜明物体检测中的图像增强探索

    本文提出了一种基于物理光照模型的图像增强方法，以便在低光照图像中便于显着物体检测，并使用 Non-Local-Block 层来捕捉物体与其邻域的差异，最终在 4 个公共数据集和自己构建的数据集中取得了有前景的结果。

    Jul, 2020

  • 低光环境下目标跟踪的综合研究

    在低光环境中进行准确的物体追踪对于监控和动物行为学应用至关重要。本文研究了这些扭曲对自动物体追踪器的影响，并提出了一种解决方案，通过将去噪和低光增强方法整合到基于变压器的物体追踪系统中，提高追踪性能。实验结果表明，用低光合成数据集训练的提出的追踪器优于原始的 MixFormer 和 Siam R-CNN。

    Dec, 2023

  • 暗光下的多目标追踪

    本文介绍了一个低光场景下的多目标跟踪方法和相应的数据集 LMOT，证实了该方法在实际夜间低光场景中的竞争力。

    May, 2024

  • 低光条件下的物体检测

    基于 CO-DETR 模型，通过模型融合方法实现了接近真实图像物体检测结果。使用多种增强技术生成多组预测结果，最后通过 IoU 阈值引导的聚类聚合方法选择最佳结果。

    May, 2024

  • 利用持续对比学习在黑暗中观测物体

    该研究论文探讨了在智能相机系统中，如何利用合成图像进行对不同成像条件下目标检测的训练，提出了一种对比学习的方法，并使用持续学习的惩罚机制缓解了重要信息丢失的问题，该方法在夜间目标检测方面表现出色。

    Dec, 2021

  • 基于图像自适应可学习模块的低光图像识别性能改善

    本研究提出了一种适应性图像学习模块，通过合适的图像处理和超参数预测，增强了低光条件下的图像识别模型的性能。实验证明，该方法能够有效提升低光条件下的图像识别性能。

    Jan, 2024

  • 使用新版独家暗黑数据集熟悉低光照图像

    本文提供了一个独特的 low-light 图像数据集 Exclusively Dark dataset 及其注释，并分析了低光照度对物体检测任务的影响，发现其影响深入特征中，不能仅靠 “光照不变性” 解决。作者希望这个数据集及分析能够鼓励不同领域的低光照度研究的发展。

    May, 2018

  • 暗光环境下的图像识别

    推出一种用于处理低光强下传感器的原始短曝光图像的数据集，运用端到端的深度卷积神经网络进行学习，取代传统的图像处理流程并取得了良好的效果。

    May, 2018

  • 低光照条件下的行人检测：综述

    综述了针对低光条件下行人检测的各种方法和数据集，并讨论了挑战和最近提出的解决方法，主要使用基于深度学习的图像融合方法进行准确可靠的行人检测。

    Jan, 2024