FeatEnHancer：在低光视觉下增强目标检测等任务的分层特征
计算机视觉与模式识别
2023-08-08 v1
摘要
在低光视觉条件下，为下游任务提取有用的视觉线索尤为困难。已有工作或通过关联视觉质量与机器感知来创建增强表示，或设计需在合成数据集上预训练的照明退化变换方法。我们认为，针对下游任务损失来优化增强图像表示，可得到更具表现力的表示。因此，本文提出一种新颖模块 FeatEnHancer，它利用由任务相关损失函数引导的多头注意力分层组合多尺度特征，以构建合适的表示。此外，我们的尺度内增强提升了各尺度或层级所提取特征的质量，并以反映其对当前任务相对重要性的方式组合不同尺度的特征。FeatEnHancer 是通用即插即用模块，可集成至任意低光视觉流程中。我们通过大量实验表明，由 FeatEnHancer 生成的增强表示在多项低光视觉任务中显著且持续地改善结果，包括暗光目标检测（ExDark 上 +5.7 mAP）、人脸检测（DARK FACE 上 +1.5 mAP）、夜间语义分割（ACDC 上 +5.1 mIoU）和视频目标检测（DarkVision 上 +1.8 mAP），凸显了在低光视觉下增强分层特征的有效性。
引用
@article{arxiv.2308.03594,
title = {FeatEnHancer: Enhancing Hierarchical Features for Object Detection and Beyond Under Low-Light Vision},
author = {Khurram Azeem Hashmi and Goutham Kallempudi and Didier Stricker and Muhammamd Zeshan Afzal},
journal= {arXiv preprint arXiv:2308.03594},
year = {2023}
}
备注
19 pages, 9 Figures, and 10 Tables. Accepted at ICCV2023