論文の概要: NOD: Taking a Closer Look at Detection under Extreme Low-Light
Conditions with Night Object Detection Dataset
- arxiv url: http://arxiv.org/abs/2110.10364v1
- Date: Wed, 20 Oct 2021 03:44:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-22 16:06:44.140502
- Title: NOD: Taking a Closer Look at Detection under Extreme Low-Light
Conditions with Night Object Detection Dataset
- Title（参考訳）: nod: 夜間物体検出データセットを用いた極端低照度条件下での検出を詳しく見る
- Authors: Igor Morawski, Yu-An Chen, Yu-Sheng Lin, Winston H. Hsu
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 25.29013780731876
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Recent work indicates that, besides being a challenge in producing
perceptually pleasing images, low light proves more difficult for machine
cognition than previously thought. In our work, we take a closer look at object
detection in low light. First, to support the development and evaluation of new
methods in this domain, we present a high-quality large-scale Night Object
Detection (NOD) dataset showing dynamic scenes captured on the streets at
night. Next, we directly link the lighting conditions to perceptual difficulty
and identify what makes low light problematic for machine cognition.
Accordingly, we provide instance-level annotation for a subset of the dataset
for an in-depth evaluation of future methods. We also present an analysis of
the baseline model performance to highlight opportunities for future research
and show that low light is a non-trivial problem that requires special
attention from the researchers. Further, to address the issues caused by low
light, we propose to incorporate an image enhancement module into the object
detection framework and two novel data augmentation techniques. Our image
enhancement module is trained under the guidance of the object detector to
learn image representation optimal for machine cognition rather than for the
human visual system. Finally, experimental results confirm that the proposed
method shows consistent improvement of the performance on low-light datasets.
- Abstract（参考訳）: 最近の研究は、知覚的に心地よい画像を作り出すことの難しさに加えて、低光度は以前考えられていたよりも機械認識に困難であることが示されている。
我々の研究では、低光下での物体検出について詳しく調べる。
まず、この領域における新しい手法の開発と評価を支援するため、夜に路上で撮影された動的シーンを示す高品質の大規模夜間物体検出(nod)データセットを提案する。
次に,照明条件と知覚難易度を直接リンクし,機械認識において低光度が問題となる要因を同定する。
したがって、将来のメソッドを詳細に評価するために、データセットのサブセットにインスタンスレベルのアノテーションを提供する。
また,今後の研究の機会を浮き彫りにするベースラインモデルの性能解析を行い,低照度は研究者の特別な注意を必要とする非自明な問題であることを示す。
さらに、低光による問題に対処するために、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技術に統合することを提案する。
画像強調モジュールは,物体検出装置の指導のもと,人間の視覚系よりも機械認知に最適な画像表現を学習するために訓練される。
最後に,提案手法が低照度データセットの性能を一貫した改善を示すことを確認した。
関連論文リスト
- HUE Dataset: High-Resolution Event and Frame Sequences for Low-Light Vision [16.432164340779266]
低照度条件下での高分解能イベントとフレームシーケンスのコレクションであるHUEデータセットを紹介する。
私たちのデータセットには、屋内、都市景観、トワイライト、夜、運転、制御されたシナリオを含む106のシーケンスが含まれています。
我々は定性評価と定量的評価の両方を用いて、最先端の低照度化と事象に基づく画像再構成手法を評価する。
論文 参考訳（メタデータ） (2024-10-24T21:15:15Z) - Low-Light Enhancement Effect on Classification and Detection: An Empirical Study [48.6762437869172]
我々は,低照度画像強調法(LLIE)が高レベル視覚タスクに与える影響を評価する。
本研究は,人間の視覚知覚における画像強調と,機械解析における切り離しを示唆するものである。
この洞察は、人間と機械の視覚の両方のニーズに合致するLLIE技術の開発に不可欠である。
論文 参考訳（メタデータ） (2024-09-22T14:21:31Z) - Boosting Object Detection with Zero-Shot Day-Night Domain Adaptation [33.142262765252795]
精巧なデータで訓練された検出器は、可視性が低いため、低照度データに対して顕著な性能低下を示す。
我々は、ゼロショット昼夜領域適応による低照度物体検出の高速化を提案する。
本手法は,低照度データを必要とすることなく,高照度シナリオから低照度シナリオへの検出器の一般化を行う。
論文 参考訳（メタデータ） (2023-12-02T20:11:48Z) - Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for
Advanced Object Detection [55.2480439325792]
本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。
提案手法は平均精度(MAP)を約45.7%向上させる。
この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
論文 参考訳（メタデータ） (2023-11-21T19:49:13Z) - Visibility Enhancement for Low-light Hazy Scenarios [18.605784907840473]
夕暮れや早朝には、低照度なシーンがよく現れる。
低照度ハジーシナリオの可視性を高める新しい手法を提案する。
このフレームワークは、異なるサブタスクからのヒントを完全に活用することで、入力画像の可視性を高めるように設計されている。
このシミュレーションは, 提案した低照度ハジーイメージングモデルを用いて, 地上構造でデータセットを生成するために設計されている。
論文 参考訳（メタデータ） (2023-08-01T15:07:38Z) - Human Pose Estimation in Extremely Low-Light Conditions [21.210706205233286]
我々は、専用のカメラシステムを開発し、正確なポーズラベルを持つ実際の低照度画像の新しいデータセットを構築した。
我々のカメラシステムにより、データセット内の各低照度画像は、整列した明るい画像と結合され、正確なポーズラベリングを可能にします。
また、照明条件に敏感な表現を学習するために、特権情報を完全に活用する新しいモデルと新しいトレーニング戦略を提案する。
論文 参考訳（メタデータ） (2023-03-27T17:28:25Z) - Enhancing Low-Light Images in Real World via Cross-Image Disentanglement [58.754943762945864]
そこで本研究では,現実の汚職とミスアライメントされたトレーニング画像からなる,新しい低照度画像強調データセットを提案する。
本モデルでは,新たに提案したデータセットと,他の一般的な低照度データセットの両方に対して,最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2022-01-10T03:12:52Z) - Lighting the Darkness in the Deep Learning Era [118.35081853500411]
低照度画像強調(LLIE)は、照明の弱い環境で撮影された画像の知覚や解釈性を改善することを目的としている。
この分野における最近の進歩は、ディープラーニングベースのソリューションが支配的です。
アルゴリズム分類から未解決の未解決問題まで,さまざまな側面をカバーする包括的な調査を行う。
論文 参考訳（メタデータ） (2021-04-21T19:12:19Z) - Exploring Image Enhancement for Salient Object Detection in Low Light
Images [27.61080096436953]
低照度画像における有意な物体検出を容易にするための画像強調手法を提案する。
提案モデルでは、物理照明モデルを深部ニューラルネットワークに埋め込んで、低光画像の劣化を記述する。
画素レベルの人間ラベル付き地平線アノテーションを用いた低照度画像データセットを構築し,有望な結果を報告する。
論文 参考訳（メタデータ） (2020-07-31T15:09:03Z) - 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) - Unsupervised Low-light Image Enhancement with Decoupled Networks [103.74355338972123]
我々は、実世界の低照度画像を教師なしで拡張する2段階のGANベースのフレームワークを学習する。
提案手法は,照度向上と雑音低減の両面から,最先端の教師なし画像強調法より優れる。
論文 参考訳（メタデータ） (2020-05-06T13:37:08Z)
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。