ERUP-YOLO：通过统一图像自适应处理增强恶劣天气条件下的目标检测鲁棒性
计算机视觉与模式识别
2024-12-31 v4
摘要
我们提出了一种面向雾和低光等恶劣天气条件的图像自适应目标检测方法。该框架采用可微分预处理滤波器，以执行适用于后续目标检测的图像增强。我们的框架引入了两种可微分滤波器：基于贝塞尔曲线的逐像素（BPW）滤波器和基于核的局部（KBL）滤波器。这些滤波器统一了经典图像预处理滤波器的功能，并提升了目标检测的性能。我们还提出了一种利用 BPW 滤波器实现的领域无关数据增强策略。该方法无需对滤波器组合、参数范围和数据增强进行特定数据的定制。我们将所提出的方法——增强鲁棒性的统一图像处理（ERUP）-YOLO——应用于 YOLOv3 检测器。在恶劣天气数据集上的实验表明，所提出的滤波器在表达能力上与传统方法相当或更优，且 ERUP-YOLO 在包括雾和低光在内的广泛恶劣天气条件下取得了优越的性能。
引用
@article{arxiv.2411.02799,
title = {ERUP-YOLO: Enhancing Object Detection Robustness for Adverse Weather Condition by Unified Image-Adaptive Processing},
author = {Yuka Ogino and Yuho Shoji and Takahiro Toizumi and Atsushi Ito},
journal= {arXiv preprint arXiv:2411.02799},
year = {2024}
}
备注
Accepted to WACV 2025