SDNIA-YOLO：面对极端天气条件的稳健目标检测模型
计算机视觉与模式识别
2024-06-19 v1
摘要
尽管基于深度学习的当前目标检测模型在许多常规基准数据集上取得了卓越的成绩，但在极端条件下的真实图像上性能将显著下降。现有方法要么基于传统图像处理算法进行图像增强，要么应用定制且场景受限的图像适应技术以实现稳健建模。因此，本研究提出了一种基于神经图像自适应YOLO的风格化数据驱动神经图像适应YOLO（SDNIA-YOLO），通过自适应增强图像质量并从神经风格迁移（NST）合成的图像中学习与极端天气条件相关的有价值信息来提高模型的鲁棒性。实验表明，开发的SDNIA-YOLOv3在真实世界雾化（RTTS）和低光（ExDark）测试集上相对于基线模型实现了至少15%的[email protected]提升。此外，实验还突显了风格化数据在模拟极端天气条件方面的巨大潜力。开发的SDNIA-YOLO在很大程度上保留了原生YOLO的优异特性，如端到端的一阶段、数据驱动和快速。
引用
@article{arxiv.2406.12395,
title = {SDNIA-YOLO: A Robust Object Detection Model for Extreme Weather Conditions},
author = {Yuexiong Ding and Xiaowei Luo},
journal= {arXiv preprint arXiv:2406.12395},
year = {2024}
}