NOD：借助夜间目标检测数据集深入探究极弱光条件下的目标检测

近期研究表明，弱光除了在生成视觉愉悦的图像方面存在挑战外，其对机器认知的难度也超出此前的设想。在本工作中，我们深入探究弱光下的目标检测。首先，为支持该领域新方法的开发与评估，我们提出了一个高质量大规模夜间目标检测（NOD）数据集，其展示了夜间街道上捕捉的动态场景。接着，我们将光照条件与感知难度直接关联，并明确了弱光为何对机器认知造成困难。相应地，我们为数据集的一个子集提供了实例级标注，以便对未来方法进行深入评估。我们还给出了基线模型性能的分析，以凸显未来研究的机会，并表明弱光是一个需要研究者特别重视的非平凡问题。此外，为解决弱光引发的问题，我们提出将图像增强模块整合进目标检测框架，并给出两种新颖的数据增强技术。我们的图像增强模块在目标检测器的指导下训练，以学习对机器认知而非人类视觉系统最优的图像表示。最后，实验结果证实所提方法在弱光数据集上的性能有持续提升。