在低光RGB-T场景中通过空间频率线索挖掘突出物体的检测
Huihui Yue1, Jichang Guo1, Xiangjun Yin1
1School of Electrical and Information Engineering, Tianjin University, Tianjin, 300072, China.
概括
本研究介绍了SFMNet,这是一种新的RGB-热突出物体检测 (SOD) 模型,专为低光条件设计. SFMNet有效地利用空间频率线索来提高在具有挑战性的视觉环境中的精度.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 图像处理 图像处理
背景情况:
- 由于光子有限,低光条件严重损害了视觉任务,例如突出物体检测 (SOD).
- 现有的RGB-热SOD模型提供部分解决方案,但忽视频率差异,限制其性能.
研究的目的:
- 开发一个先进的RGB-热SOD模型,SFMNet,专门用于低光场景.
- 通过结合空间频率线索来解决当前模型的局限性.
主要方法:
- 拟议的SFMNet模型整合了空间频率特征探索 (SFFE) 和空间频率特征交互 (SFFI) 模块.
- SFFE模块以适应方式提取高频和低频特征,而SFFI模块则融合跨模式和跨领域的信息.
- 为了高质量的突出性预测,采用了自上而下的路径架构.
主要成果:
- 与现有模型相比,SFMNet在低光 RGB-T SOD 任务中表现出优异的性能.
- 该模型实现了更高的准确性,表明了空间频率暗示挖掘的有效性.
- 第一个低光 RGB-T SOD 数据集被创建为基准.
结论:
- SFMNet在低光下突出物体检测方面取得了重大进展.
- 空间频率线索的整合对于在具有挑战性的照明中提高SOD性能至关重要.
- 开发的数据集将促进未来对低光计算机视觉的研究.
