基于 Day-to-Night 风格迁移与无标签数据增强提升夜间车辆检测

现有的深度学习基于对象检测模型在白天表现良好，但在夜间面临重大挑战，主要是因为它们主要在白天图像上进行训练。此外，使用夜间图像进行训练还面临另一个挑战：即使是人类标注者在低光条件下也难以准确标注目标。这在交通应用中尤为突出，例如在无街灯的乡村道路上检测车辆和其他兴趣目标时，可能出现头灯引入的不良眩光。本研究通过引入一种 novel 框架进行无标签数据增强，利用 CARLA 生成的合成数据进行 day-to-night 图像风格迁移来解决这些挑战。具体而言，该框架集成了高效注意力生成对抗网络用于实现真实的 day-to-night 风格迁移，并使用 CARLA 生成的合成夜间图像帮助模型学习车辆头灯效应。为评估所提出框架的有效性，我们针对专为乡村夜间环境精选的数据集，对 YOLO11 模型进行微调，实现了对夜间车辆检测的显著提升。这种 novel 方法简洁而有效，为增强低可视性环境中的 AI 检测系统提供了可扩展解决方案，并将对象检测模型的适用性扩展到更广泛的实际场景。