降解类型意识的图像恢复,用于在恶劣天气条件下有效检测物体
Xiaochen Huang1,2, Xiaofeng Wang1, Qizhi Teng1
1College of Electronics and Information Engineering, Sichuan University, Chengdu 610065, China.
Sensors (Basel, Switzerland)
|October 16, 2024
概括
这项研究介绍了DTRDNet,这是一种新的物体检测网络,可以在恶劣的天气条件下提高准确性. 它通过结合降解类型意识来适应各种条件,优于现有方法.
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:
- 基于卷积神经网络 (CNN) 的对象检测至关重要,但在恶劣的天气中扎.
- 由于特定场景的设计,目前的方法往往无法适应各种天气条件.
研究的目的:
- 开发一个对象检测网络,适应各种恶劣天气条件.
- 通过将图像恢复与降解类型意识相结合,提高对象检测的准确性.
主要方法:
- 拟议的DTRDNet,具有共享的特征编码器,对象检测解码器,退化歧视图像恢复解码器 (DDIR) 和退化类别预测器 (DCP).
- 共同培训网络,使用清晰和退化图像的混合数据集.
- 将降解类型信息纳入DDIR,并通过DCP通过共享特征编码器 (SFE) 启用降解类别意识.
主要成果:
- 在清,雾,雨天和雪天的测试集中,DTRDNet实现了平均79.38%的mAP.
- 与先进的物体检测算法相比,在各种天气场景中表现出卓越的性能.
- 在推断实时性能时,可以删除DCP和DDIR模块.
结论:
- 通过利用降解类型意识恢复,DTRDNet有效地解决了在恶劣天气中对象检测的挑战.
- 网络适应各种天气条件的适应性大大提高了检测准确度.
- 拟议的架构提供了一种灵活的解决方案,用于在具有挑战性的环境中实时检测对象.
