用于提升鱼眼镜头数据集中目标检测性能的低光照图像增强框架
计算机视觉与模式识别
2024-04-17 v1
摘要
本研究通过提出一种提升系统效能和准确性的框架，解决了基于鱼眼镜头相机的城市交通监控检测系统所面临的不断演变的挑战。在城市基础设施和交通管理的背景下，先进的交通监控系统对于应对城市化复杂性和车辆密度增加的问题至关重要。传统的监控方法依赖于视野狭窄的静态相机，在动态城市环境中效果不佳，需要安装多个相机，从而增加了成本。近期引入的鱼眼镜头在单帧图像中提供了宽广的全向覆盖，使其成为一种变革性的解决方案。然而，诸如视图失真和模糊等问题也随之出现，阻碍了在这些图像上进行准确的目标检测。受这些挑战的启发，本研究提出了一种新方法，结合了基于 Transformer 的图像增强框架和集成学习技术来应对这些挑战并提高交通监控的准确性，为智能交通管理系统的未来做出了重大贡献。我们提出的方法框架在 2024 年 AI City Challenge 第 4 赛道中荣获第 5 名，在实验验证数据上的 F1 分数为 0.5965。实验结果证明了所提出系统的有效性、高效性和鲁棒性。我们的代码已在 https://github.com/daitranskku/AIC2024-TRACK4-TEAM15 公开。
引用
@article{arxiv.2404.10078,
title = {Low-Light Image Enhancement Framework for Improved Object Detection in Fisheye Lens Datasets},
author = {Dai Quoc Tran and Armstrong Aboah and Yuntae Jeon and Maged Shoman and Minsoo Park and Seunghee Park},
journal= {arXiv preprint arXiv:2404.10078},
year = {2024}
}