如何针对热适应目标检测模型进行大气湍流效应的数据增强
计算机视觉与模式识别
2024-05-13 v1
摘要
大气湍流对目标检测模型的性能构成了重大挑战。由于空气折射率的变化导致光线弯曲和散射，湍流会引起图像的畸变、模糊和噪声。这导致光学系统接收到的电磁辐射产生非刚性几何畸变与时间涨落。本文探讨了湍流图像增强技术在提升大气湍流下热适应与基于深度学习的目标检测模型的准确性和鲁棒性方面的有效性。我们采用三种不同的基于近似的湍流模拟器（几何、基于 Zernike 和 P2S）来生成湍流训练与测试数据集。我们在这些湍流数据集上，评估了三种基于深度学习的 SOTA 目标检测模型：RTMDet-x、DINO-4scale 和 YOLOv8-x 在训练期间使用与不使用湍流增强时的性能。结果表明，在模型训练期间利用针对湍流的特定增强可以显著提升针对畸变湍流图像的检测准确性和鲁棒性。即使对于非湍流测试集，湍流增强也能提升性能。
引用
@article{arxiv.2405.06383,
title = {How to Augment for Atmospheric Turbulence Effects on Thermal Adapted Object Detection Models?},
author = {Engin Uzun and Erdem Akagunduz},
journal= {arXiv preprint arXiv:2405.06383},
year = {2024}
}