論文の概要: An End-to-End Cascaded Image Deraining and Object Detection Neural
Network
- arxiv url: http://arxiv.org/abs/2202.11279v1
- Date: Wed, 23 Feb 2022 02:48:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-24 15:44:13.507789
- Title: An End-to-End Cascaded Image Deraining and Object Detection Neural
Network
- Title（参考訳）: 終端から終端までの画像デライニングと物体検出ニューラルネットワーク
- Authors: Kaige Wang, Tianming Wang, Jianchuang Qu, Huatao Jiang, Qing Li, Lin
Chang
- Abstract要約: 本稿では,低レベル視覚タスクと高レベル視覚タスクの組み合わせについて検討する。
本稿では,降雨の影響を低減するために,エンドツーエンドの物体検出ネットワークを提案する。
当社のネットワークは、メトリクスの大幅な改善によって最先端を超越しています。
- 参考スコア（独自算出の注目度）: 13.314467453715517
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: While the deep learning-based image deraining methods have made great
progress in recent years, there are two major shortcomings in their application
in real-world situations. Firstly, the gap between the low-level vision task
represented by rain removal and the high-level vision task represented by
object detection is significant, and the low-level vision task can hardly
contribute to the high-level vision task. Secondly, the quality of the
deraining dataset needs to be improved. In fact, the rain lines in many
baselines have a large gap with the real rain lines, and the resolution of the
deraining dataset images is generally not ideally. Meanwhile, there are few
common datasets for both the low-level vision task and the high-level vision
task. In this paper, we explore the combination of the low-level vision task
with the high-level vision task. Specifically, we propose an end-to-end object
detection network for reducing the impact of rainfall, which consists of two
cascaded networks, an improved image deraining network and an object detection
network, respectively. We also design the components of the loss function to
accommodate the characteristics of the different sub-networks. We then propose
a dataset based on the KITTI dataset for rainfall removal and object detection,
on which our network surpasses the state-of-the-art with a significant
improvement in metrics. Besides, our proposed network is measured on driving
videos collected by self-driving vehicles and shows positive results for rain
removal and object detection.
- Abstract（参考訳）: 近年,深層学習に基づく画像抽出手法は大きな進歩を遂げているが,現実の状況では,その応用には2つの大きな欠点がある。
まず,降雨量で表される低レベルの視覚課題と物体検出で表される高レベルの視覚タスクとのギャップが重要であり,低レベルの視覚タスクは高レベルの視覚タスクにほとんど寄与しない。
第二に、デレインデータセットの品質が改善される必要がある。
実際、多くの基準線における降雨線は実際の降雨線と大きなギャップがあり、デライニングデータセット画像の解像度は概して理想的ではない。
一方、低レベルのビジョンタスクと高レベルのビジョンタスクの両方に共通するデータセットは少ない。
本稿では,低レベル視覚タスクと高レベル視覚タスクの組み合わせについて検討する。
具体的には,2つのカスケードネットワーク,改良されたイメージレーディングネットワーク,およびオブジェクト検出ネットワークからなる,降雨の影響を低減するためのエンドツーエンドオブジェクト検出ネットワークを提案する。
また、異なるサブネットワークの特性に対応するために、損失関数のコンポーネントも設計する。
次に、降雨除去と物体検出のためのKITTIデータセットに基づくデータセットを提案する。
また,提案ネットワークは,自動運転車が収集した運転映像に基づいて測定され,降雨除去や物体検出の好結果を示す。
関連論文リスト
- D-YOLO a robust framework for object detection in adverse weather conditions [0.0]
ヘイズ、雪、雨などの逆の気象条件は、画像品質の低下を招き、深層学習に基づく検知ネットワークの性能低下を招きかねない。
画像復元とオブジェクト検出のタスクをよりうまく統合するために,注目機能融合モジュールを備えた二重経路ネットワークを設計した。
我々はまた,検出ネットワークにヘイズフリーな機能を提供するサブネットワークを提案し,特に,明瞭な特徴抽出サブネットワークと検出ネットワーク間の距離を最小化することにより,検出ネットワークの性能を向上させる。
論文 参考訳（メタデータ） (2024-03-14T09:57:15Z) - MonoTDP: Twin Depth Perception for Monocular 3D Object Detection in
Adverse Scenes [49.21187418886508]
本論文は,モノTDP(MonoTDP)と呼ばれる悪シーンにおける2つの深度を知覚するモノクル3次元検出モデルを提案する。
まず、制御不能な気象条件を扱うモデルを支援するための適応学習戦略を導入し、様々な劣化要因による劣化を著しく抑制する。
そこで本研究では, シーン深度と物体深度を同時に推定する新たな2つの深度認識モジュールを提案する。
論文 参考訳（メタデータ） (2023-05-18T13:42:02Z) - TogetherNet: Bridging Image Restoration and Object Detection Together
via Dynamic Enhancement Learning [20.312198020027957]
ヘイズ、雨、雪などの逆の気象条件は、しばしば捕獲された画像の品質を損なう。
本稿では,画像復元とオブジェクト検出を橋渡しする,効果的で統一された検出パラダイムを提案する。
We show that our TogetherNet are outperforming the state-of-the-art detection approach by a large marginly and qualitatively。
論文 参考訳（メタデータ） (2022-09-03T09:06:13Z) - FuNNscope: Visual microscope for interactively exploring the loss
landscape of fully connected neural networks [77.34726150561087]
ニューラルネットワークの高次元景観特性を探索する方法を示す。
我々は、小さなニューラルネットワークの観測結果をより複雑なシステムに一般化する。
インタラクティブダッシュボードは、いくつかのアプリケーションネットワークを開放する。
論文 参考訳（メタデータ） (2022-04-09T16:41:53Z) - High-resolution Iterative Feedback Network for Camouflaged Object
Detection [128.893782016078]
カモフラージュされたオブジェクトを背景に視覚的に同化させることは、オブジェクト検出アルゴリズムにとって難しい。
エッジやバウンダリのぼやけた視界を生じさせる細部劣化を避けるために,高分解能テクスチャの詳細を抽出することを目的としている。
我々は,高解像度特徴量による低解像度表現を反復的フィードバック方式で洗練する新しいHitNetを提案する。
論文 参考訳（メタデータ） (2022-03-22T11:20:21Z) - Online-updated High-order Collaborative Networks for Single Image
Deraining [51.22694467126883]
単一画像のデライン化は、ビデオ監視や自動運転システムなど、下流の人工知能アプリケーションにとって重要なタスクである。
マルチスケールのコンパクトな制約と双方向のスケール・コンテント類似性マイニングモジュールを備えた高階協調ネットワークを提案する。
提案手法は,5つの公開合成と1つの実世界のデータセットに対して,11の最先端手法に対して好意的に機能する。
論文 参考訳（メタデータ） (2022-02-14T09:09:08Z) - Task-Driven Deep Image Enhancement Network for Autonomous Driving in Bad
Weather [5.416049433853457]
悪天候では、視覚的知覚はいくつかの劣化効果によって大きく影響を受ける。
画像の高品質な復元と高精度な知覚の両方に適した高レベルタスクモデルを導くための新しいタスク駆動型トレーニング戦略を導入する。
実験の結果, 提案手法は車線および2次元物体検出の性能を向上し, 主に悪天候下での深度推定が可能であることがわかった。
論文 参考訳（メタデータ） (2021-10-14T08:03:33Z) - Beyond Monocular Deraining: Parallel Stereo Deraining Network Via
Semantic Prior [103.49307603952144]
ほとんどの既存の脱雨アルゴリズムは単一の入力画像のみを使用し、クリーンな画像の復元を目指しています。
本稿では,ステレオ画像とセマンティック情報の両方を利用するPaired Rain Removal Network(PRRNet)を提案する。
単分子および新たに提案したステレオ降雨データセットの両方の実験により,提案手法が最先端の性能を達成することを示す。
論文 参考訳（メタデータ） (2021-05-09T04:15:10Z) - Tasks Integrated Networks: Joint Detection and Retrieval for Image
Search [99.49021025124405]
多くの現実世界の探索シナリオ(例えばビデオ監視)では、オブジェクトは正確に検出または注釈付けされることはめったにない。
まず、エンド・ツー・エンド統合ネット(I-Net)を紹介します。
さらに,2つの新しいコントリビューションを行うDC-I-Netという改良されたI-Netを提案する。
論文 参考訳（メタデータ） (2020-09-03T03:57:50Z) - DTDN: Dual-task De-raining Network [21.91416699094407]
我々は、Duble-task de-raining Network (DTDN)と呼ばれるエンドツーエンドネットワークを提案する。
GAN(Generative Adversarial Network)とCNN(Convolutional Neural Network)の2つのサブネットワークで構成されている。
提案手法は最近の最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-08-21T06:32:42Z)
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。