噪音和亮度对物体检测方法的影响
José A Rodríguez-Rodríguez1, Ezequiel López-Rubio1,2, Juan A Ángel-Ruiz1
1Department of Computer Languages and Computer Science, University of Málaga, 29071 Málaga, Spain.
Sensors (Basel, Switzerland)
|February 10, 2024
概括
像YOLO这样的深度学习对象探测器因图像噪声和亮度变化而退化. 与这些图像质量因素一起,对象大小显著影响性能.
科学领域:
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
- 图像处理 图像处理
背景情况:
- 深度学习模型,特别是预训练的神经网络,广泛用于对象检测和图像分类.
- 图像采集的限制可以引入传感器噪声,如高斯噪声和亮度变化,从而对模型性能产生负面影响.
研究的目的:
- 研究常见图像退化 (噪声和亮度) 对最先进的物体检测模型的影响.
- 分析物体大小如何与这些退化相互作用以影响检测性能.
主要方法:
- 评估了几个最先进的物体探测器,包括YOLO和Faster-RCNN.
- 系统实验应用各种类型和水平的高斯噪声和亮度变化来测试图像.
主要成果:
- 噪音和亮度的变化显著降低了物体检测模型的性能.
- 性能降低因被检测到的物体的大小而加剧.
- 对象大小是影响模型稳定性至图像质量问题的关键因素.
结论:
- 图像质量是可靠的基于深度学习的对象检测的关键因素.
- 在评估物体探测器在现实场景中的性能和稳定性时,必须考虑物体的大小.
- 进一步的研究可能将重点放在开发抗噪声或自适应物体检测方法上.
