低光条件下的物体检测
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
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
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
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
我们引入了 Cascade-DETR 用于高质量的通用目标检测,通过提出级联注意力层来共同解决对多样领域的泛化和定位准确性问题,通过限制关注先前的目标框预测来显式地将对象中心信息集成到检测解码器中。为了进一步提高准确性,我们重新审视了查询的评分,不依赖于分类分数,而是预测查询的预期 IoU,从而显著提高了置信度的校准性,最后,我们引入了一个包含来自多个领域的 10 个数据集的通用目标检测基准,UDB10,在 COCO 上也取得了最新的进展,Cascade-DETR 在 UDB10 的所有数据集上都对基于 DETR 的检测器有了显著的改进,有些甚至超过 10 个 mAP,严格质量要求下的改进效果更加显著。
Jul, 2023
通过引入增强器和探测器相结合的模式,本文试图激发增强器 + 探测器的潜能,通过利用去除光照的辅助信息来提取适合检测的特征,并建立语义聚合模块来融合多尺度场景相关的语义信息。进行了大量实验验证了我们方法在其他最先进的方法上的优越性。
Sep, 2023
我们提出了一种自适应融合方法,使用多种传感器,通过卷积神经网络专家的混合来学习权衡不同传感器的预测,该方法可适应于不同光照和摄像机运动模糊等影响。我们测试了该方法在室内和室外的人体检测,并证明了其可适应困难环境,同时,我们还提出了一个新的混合室内外环境中的 RGB-D 数据集,可供参考。
Jul, 2017
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
本篇论文提出了一种基于变形金刚网络的 3D 物体检测模型 REDFormer,该模型通过使用鸟瞰相机和雷达融合,解决低能见度条件下自动驾驶系统的感知问题,并且在多雷达点云数据、多种天气和时间数据的 nuScenes 数据集上进行验证,相比其他最先进模型,该模型在低能见度情况下表现出更高的检测精度。
May, 2023