图像增强算法提升神经网络在恶劣图像上性能的有效性案例研究
图像与视频处理
2023-12-20 v2
摘要
神经网络（NN）已成为计算机视觉（CV）应用不可或缺的一部分，其使用日益增长。NN 通常在 ImageNet 和 COCO 等数据集上经过长时间训练，这些数据集经过精心创建以代表常见的“现实世界”环境。当部署在现场时，例如自动驾驶车辆应用中，NN 可能会遇到导致性能下降的恶劣场景。在 NN 模型推理之前使用图像增强算法对图像进行增强是重新训练的一种引人注目的替代方案，然而关于此解决方案有效性的已发表文献甚少。为了填补这一知识空白，我们针对两种流行的图像增强算法——直方图均衡化（HE）和 Retinex（RX）提供了案例研究。我们模拟了自动驾驶车辆可能遇到的四种恶劣场景：黑暗、过度曝光、有雾以及黑暗且多雨的天气条件。我们使用几个成熟的模型评估了 HE 和 RX 的有效性：Resnet、GoogleLeNet、YOLO 和 Vision Transformer。
引用
@article{arxiv.2312.09509,
title = {A Case Study of Image Enhancement Algorithms' Effectiveness of Improving Neural Networks' Performance on Adverse Images},
author = {Jonathan Sanderson and Syed Rafay Hasan},
journal= {arXiv preprint arXiv:2312.09509},
year = {2023}
}
备注
5 pages, 8 figures