利用零样本昼夜域自适应提升目标检测
计算机视觉与模式识别
2024-03-28 v2
摘要
在低光场景下检测物体是一个持续的挑战，因为在光线充足的数据上训练的检测器由于能见度低而在低光数据上表现出显著的性能下降。以前的方法通过探索图像增强或使用真实低光图像数据集的目标检测技术来缓解这一问题。然而，收集和标注低光图像的固有困难阻碍了这一进展。为了应对这一挑战，我们提出利用零样本昼夜域自适应来提升低光目标检测，旨在将检测器从光线充足的场景泛化到低光场景，而无需真实的低光数据。回顾低级视觉中的 Retinex 理论，我们首先设计了一个反射率表示学习模块，通过精心设计的照明不变性强化策略来学习图像中基于 Retinex 的照明不变性。接下来，引入了交换-再分解-连贯过程，通过执行两次连续的图像分解并引入再分解连贯损失来改进原始的 Retinex 图像分解过程。在 ExDark、DARK FACE 和 CODaN 数据集上的大量实验表明，我们的方法具有很强的低光泛化能力。我们的代码可在 https://github.com/ZPDu/DAI-Net 获取。
关键词
引用
@article{arxiv.2312.01220,
title = {Boosting Object Detection with Zero-Shot Day-Night Domain Adaptation},
author = {Zhipeng Du and Miaojing Shi and Jiankang Deng},
journal= {arXiv preprint arXiv:2312.01220},
year = {2024}
}
备注
Accepted to CVPR 2024