Dec, 2023

低光环境下目标跟踪的综合研究

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

    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。

    Oct, 2021

  • 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

  • 鱼眼镜头数据集中用于改善目标检测的低光图像增强框架

    提出了一种新颖的方法，结合基于变压器的图像增强框架和集成学习技术，解决城市交通监测系统中基于鱼眼镜头相机的问题，提高了系统的有效性和准确性，为智能交通管理系统的未来作出了重要贡献。

    Apr, 2024

  • 追踪嘈杂目标：近期物体追踪方法综述

    本文对视觉物体跟踪算法的最新趋势和进展进行了广泛的综述，评估了在噪声存在的情况下跟踪器的鲁棒性。我们发现，没有任何一种算法在噪声存在的情况下能够与无噪声条件下的效率相同，因此需要在评估新提出的跟踪算法时包含一个鲁棒性参数。

    Feb, 2018

  • LLNet: 自然低光图像增强的深度自编码器方法

    在低光环境下，提出用基于深度自编码器的方法来增强和去噪图像以及适应动态环境，该方法可以在监视、监测和战术侦察等领域有很好的应用效果。

    Nov, 2015

  • 带有大规模低光模拟数据集的注意力引导低光图像增强

    本文提出了一种基于多分支卷积神经网络的新型端到端注意力引导方法，利用合成的低光模拟数据构建数据集，通过使用两个注意力图指导亮度增强和降噪任务，并进一步增强输出图像的色彩和对比度以实现对低光图像的高保真增强，该方法在多个数据集上表现优异，比当前最先进的方法有更好的定量和视觉效果。

    Aug, 2019