GDIP：面向恶劣条件下目标检测的门控可微图像处理
计算机视觉与模式识别
2022-09-30 v1 机器人学
摘要
在恶劣天气与光照条件下检测物体对于自动驾驶车辆的持续安全运行至关重要，且仍是一个未解决的问题。我们提出一种门控可微图像处理（GDIP）模块，这是一种与领域无关的网络架构，可插入现有的目标检测网络（如 Yolo）中，并使用雾天和低光照等恶劣条件图像进行端到端训练。我们提出的 GDIP 模块通过下游目标检测损失直接学习增强图像。这是通过并行运行多种图像预处理（IP）技术并学习其参数实现的，各技术输出通过一种新颖的门控机制学习得到的权重进行融合。我们进一步通过多阶段引导程序对 GDIP 进行改进，以实现渐进式图像增强。最后，在精度与速度之间权衡，我们提出一种 GDIP 变体，可用作训练 Yolo 的正则化器，从而在推理时无需基于 GDIP 的图像增强，获得更高吞吐量与可行的实际部署。我们在合成数据集（如 PascalVOC）以及真实世界雾天（RTTS）和低光照（ExDark）数据集上通过定量与定性研究，证明了相比多种最先进方法在检测性能上的显著提升。
引用
@article{arxiv.2209.14922,
title = {GDIP: Gated Differentiable Image Processing for Object-Detection in Adverse Conditions},
author = {Sanket Kalwar and Dhruv Patel and Aakash Aanegola and Krishna Reddy Konda and Sourav Garg and K Madhava Krishna},
journal= {arXiv preprint arXiv:2209.14922},
year = {2022}
}
备注
Submitted to ICRA2023. More information at https://gatedip.github.io