一种基于动态梯度增强分配策略的低亮度目标检测方法

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 目前的目标检测方法在低光照明下难以提取特征,导致错过或错误的检测.
• 在不利的照明条件下有效识别目标仍然是计算机视觉的一个重大挑战.

研究的目的:

• 开发一种专门为低光环境设计的高效准确目标检测方法.
• 为了克服现有方法在处理特征提取和在光线不好的情况下定位方面的局限性.

主要方法:

• 引入了DimNet,它包含了一个新的部结构,用于高效的多尺度特征融合.
• 设计了一个特征聚合模块,以融合通道,空间,本地和全球信息,以改进网络表示.
• 开发了一个新的检测头,使用重新参数化和参数共享来提高准确性和计算效率.
• 实现了一个新的损失函数,专注于目标中心,并使用动态梯度增益来提高定位精度.

主要成果:

• 在ExDark数据集上,DimNet实现了75.60%的平均平均精度 (mAP50).
• 与基线模型相比,表现出3.77%的改善,与最先进的 (SOTA) 模型相比,表现出2.25%的改善.
• 在检测准确性和整体性能方面表现优于以前和当前的SOTA方法.

结论:

• 在低光照明场景中,DimNet在目标检测方面取得了重大进展.
• 拟议的功能融合,聚合,检测头和损失功能的提升有助于提高性能.
• 对于需要在具有挑战性的照明条件下可靠地检测目标的现实应用程序,DimNet提供了强大的和高效的解决方案.