論文の概要: Exploring Low-light Object Detection Techniques
- arxiv url: http://arxiv.org/abs/2107.14382v1
- Date: Fri, 30 Jul 2021 01:11:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-02 13:03:09.012439
- Title: Exploring Low-light Object Detection Techniques
- Title（参考訳）: 低照度物体検出技術の探求
- Authors: Winston Chen, Tejas Shah
- Abstract要約: 物体検出タスクにどの画像強調アルゴリズムがより適しているかを考察する。
具体的には,基本ヒストグラム等化技術と画像翻訳技術について検討する。
我々は,すべての結果を比較し,平均精度(mAP)を計算し,今後の研究の方向性を示す。
- 参考スコア（独自算出の注目度）: 0.456877715768796
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Images acquired by computer vision systems under low light conditions have
multiple characteristics like high noise, lousy illumination, reflectance, and
bad contrast, which make object detection tasks difficult. Much work has been
done to enhance images using various pixel manipulation techniques, as well as
deep neural networks - some focused on improving the illumination, while some
on reducing the noise. Similarly, considerable research has been done in object
detection neural network models. In our work, we break down the problem into
two phases: 1)First, we explore which image enhancement algorithm is more
suited for object detection tasks, where accurate feature retrieval is more
important than good image quality. Specifically, we look at basic histogram
equalization techniques and unpaired image translation techniques. 2)In the
second phase, we explore different object detection models that can be applied
to the enhanced image. We conclude by comparing all results, calculating mean
average precisions (mAP), and giving some directions for future work.
- Abstract（参考訳）: 低照度環境下でコンピュータビジョンシステムによって取得された画像は、高ノイズ、低照度、反射率、コントラストといった複数の特性を持ち、物体検出タスクを困難にする。
様々なピクセル操作技術やディープニューラルネットワークを使って画像を強化するために、多くの作業が行われており、一部は照明の改善に重点を置いているが、一部はノイズ低減に重点を置いている。
同様に、オブジェクト検出ニューラルネットワークモデルでもかなりの研究が行われている。
まず,画像品質よりも正確な特徴検索が重要である物体検出課題に対して,どの画像強調アルゴリズムがより適しているかを検討する。
具体的には,基本ヒストグラム等化技術と画像翻訳技術について検討する。
2)第2フェーズでは,拡張画像に適用可能なさまざまな物体検出モデルについて検討する。
我々は,すべての結果を比較し,平均精度(mAP)を計算し,今後の研究の方向性を示す。
関連論文リスト
- LightFFDNets: Lightweight Convolutional Neural Networks for Rapid Facial Forgery Detection [0.0]
本研究では,Fake-Vs-Real-Faces [10]と140k Real and Fake Faces [61]データセットを用いた画像処理による偽造検出に焦点を当てた。
これらの画像を用いて偽造検出を行うために,2つの軽量ディープラーニングモデルを提案する。
提案した軽量ディープラーニングモデルは,顔画像の偽造を正確に,かつ効率的に検出できることが示されている。
論文 参考訳（メタデータ） (2024-11-18T18:44:10Z) - Joint Perceptual Learning for Enhancement and Object Detection in
Underwater Scenarios [41.34564703212461]
水中物体検出と画像強調を共同で学習する二段階最適化法を提案する。
本手法は,視覚的に有利な画像と高い検出精度を出力する。
論文 参考訳（メタデータ） (2023-07-07T11:54:06Z) - Designing An Illumination-Aware Network for Deep Image Relighting [69.750906769976]
本稿では、階層的なサンプリングから1つの画像からシーンを段階的にリライトするためのガイダンスに従うイルミネーション・アウェア・ネットワーク(IAN)を提案する。
さらに、物理レンダリングプロセスの近似として、イルミネーション・アウェア・残留ブロック(IARB)が設計されている。
実験の結果,提案手法は従来の最先端手法よりも定量的,定性的な照準結果が得られることがわかった。
論文 参考訳（メタデータ） (2022-07-21T16:21:24Z) - Hybrid Optimized Deep Convolution Neural Network based Learning Model
for Object Detection [0.0]
物体の識別はコンピュータビジョンにおける最も基本的で難しい問題の1つである。
近年,ディープラーニングに基づく物体検出技術が大衆の関心を集めている。
本研究では,自律型物体検出システムを構築するために,独自のディープラーニング分類手法を用いる。
提案するフレームワークは検出精度0.9864であり、現在の技術よりも高い。
論文 参考訳（メタデータ） (2022-03-02T04:39:37Z) - NOD: Taking a Closer Look at Detection under Extreme Low-Light
Conditions with Night Object Detection Dataset [25.29013780731876]
低い光は、以前考えられていたよりもマシン認知にとって困難である。
夜間に街路で撮影されたダイナミックなシーンを示す大規模なデータセットを提示する。
本稿では,画像強調モジュールをオブジェクト検出フレームワークと2つの新しいデータ拡張手法に組み込むことを提案する。
論文 参考訳（メタデータ） (2021-10-20T03:44:04Z) - You Better Look Twice: a new perspective for designing accurate
detectors with reduced computations [56.34005280792013]
BLT-netは、新しい低計算の2段階オブジェクト検出アーキテクチャである。
非常にエレガントな第1ステージを使用して、オブジェクトをバックグラウンドから分離することで、計算を削減します。
結果のイメージ提案は、高度に正確なモデルによって第2段階で処理される。
論文 参考訳（メタデータ） (2021-07-21T12:39:51Z) - Exploiting Raw Images for Real-Scene Super-Resolution [105.18021110372133]
本稿では,合成データと実撮影画像とのギャップを埋めるために,実シーンにおける単一画像の超解像化の問題について検討する。
本稿では,デジタルカメラの撮像過程を模倣して,よりリアルなトレーニングデータを生成する手法を提案する。
また、原画像に記録された放射情報を活用するために、2分岐畳み込みニューラルネットワークを開発した。
論文 参考訳（メタデータ） (2021-02-02T16:10:15Z) - Rethinking of the Image Salient Object Detection: Object-level Semantic
Saliency Re-ranking First, Pixel-wise Saliency Refinement Latter [62.26677215668959]
本稿では,意味的に有意な領域を粗い位置で特定する,軽量で教師付きの深層ネットワークを提案する。
次に,これらセマンティック・サリエント領域の深層モデルを画素ワイド・サリエンシ改善として融合する。
提案手法は単純だが有効であり,本手法は主眼をオブジェクトレベルのセマンティック・リグレード問題とみなすための最初の試みである。
論文 参考訳（メタデータ） (2020-08-10T07:12:43Z) - Deep Bilateral Retinex for Low-Light Image Enhancement [96.15991198417552]
低照度画像は、低コントラスト、色歪み、測定ノイズによる視界の低下に悩まされる。
本稿では,低照度画像強調のための深層学習手法を提案する。
提案手法は最先端の手法と非常に競合し, 極めて低照度で撮影した画像の処理において, 他に比べて大きな優位性を有する。
論文 参考訳（メタデータ） (2020-07-04T06:26:44Z) - Self-Supervised Linear Motion Deblurring [112.75317069916579]
深層畳み込みニューラルネットワークは、画像の劣化の最先端技術である。
本稿では,自己監督型動作遅延に対する識別可能なreblurモデルを提案する。
我々の実験は、自己監督された単一画像の劣化が本当に実現可能であることを実証した。
論文 参考訳（メタデータ） (2020-02-10T20:15:21Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。