用于恶劣天气条件下目标检测的图像自适应 YOLO
计算机视觉与模式识别
2022-07-05 v3
摘要
尽管基于深度学习的目标检测方法在常规数据集上已取得可喜结果，但从恶劣天气条件下捕获的低质量图像中定位目标仍具挑战性。现有方法要么难以平衡图像增强与目标检测任务，要么常忽略有益于检测的潜在信息。为缓解该问题，我们提出一种新颖的图像自适应 YOLO（IA-YOLO）框架，其中每幅图像可被自适应增强以获得更好检测性能。具体而言，提出一个可微分图像处理（DIP）模块来考虑 YOLO 检测器的恶劣天气条件，其参数由一个小型卷积神经网络（CNN-PP）预测。我们以端到端方式联合学习 CNN-PP 与 YOLOv3，确保 CNN-PP 能以弱监督方式学习合适的 DIP 来增强图像以用于检测。我们提出的 IA-YOLO 方法能自适应处理正常与恶劣天气条件下的图像。实验结果令人鼓舞，证明了我们所提 IA-YOLO 方法在雾天与低光照场景中的有效性。
引用
@article{arxiv.2112.08088,
title = {Image-Adaptive YOLO for Object Detection in Adverse Weather Conditions},
author = {Wenyu Liu and Gaofeng Ren and Runsheng Yu and Shi Guo and Jianke Zhu and Lei Zhang},
journal= {arXiv preprint arXiv:2112.08088},
year = {2022}
}
备注
AAAI 2022, Preprint version with Appendix