論文の概要: PE-YOLO: Pyramid Enhancement Network for Dark Object Detection
- arxiv url: http://arxiv.org/abs/2307.10953v1
- Date: Thu, 20 Jul 2023 15:25:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-21 12:32:16.937607
- Title: PE-YOLO: Pyramid Enhancement Network for Dark Object Detection
- Title（参考訳）: PE-YOLO:ダークオブジェクト検出のためのピラミッド拡張ネットワーク
- Authors: Xiangchen Yin, Zhenda Yu, Zetao Fei, Wenjun Lv, Xin Gao
- Abstract要約: ピラミッド拡張ネットワーク (PENet) を提案し, YOLOv3 と結合して PE-YOLO というダークオブジェクト検出フレームワークを構築する。
PE-YOLOはエンドツーエンドのジョイントトレーニングアプローチを採用し、通常の検出損失のみを使用してトレーニングプロセスを簡素化する。
結果:PE-YOLOは、それぞれmAPが78.0%、FPSが53.6%であり、異なる低照度条件下での物体検出に適応できる。
- 参考スコア（独自算出の注目度）: 9.949687351946038
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Current object detection models have achieved good results on many benchmark
datasets, detecting objects in dark conditions remains a large challenge. To
address this issue, we propose a pyramid enhanced network (PENet) and joint it
with YOLOv3 to build a dark object detection framework named PE-YOLO. Firstly,
PENet decomposes the image into four components of different resolutions using
the Laplacian pyramid. Specifically we propose a detail processing module (DPM)
to enhance the detail of images, which consists of context branch and edge
branch. In addition, we propose a low-frequency enhancement filter (LEF) to
capture low-frequency semantics and prevent high-frequency noise. PE-YOLO
adopts an end-to-end joint training approach and only uses normal detection
loss to simplify the training process. We conduct experiments on the low-light
object detection dataset ExDark to demonstrate the effectiveness of ours. The
results indicate that compared with other dark detectors and low-light
enhancement models, PE-YOLO achieves the advanced results, achieving 78.0% in
mAP and 53.6 in FPS, respectively, which can adapt to object detection under
different low-light conditions. The code is available at
https://github.com/XiangchenYin/PE-YOLO.
- Abstract（参考訳）: 現在のオブジェクト検出モデルは、多くのベンチマークデータセットで良い結果を得ており、暗い条件下でオブジェクトを検出することは大きな課題である。
この問題に対処するために,ピラミッド拡張ネットワーク(PENet)を提案し,それをYOLOv3と結合してPE-YOLOというダークオブジェクト検出フレームワークを構築する。
まずPENetは、画像をラプラシアンピラミッドを用いて異なる解像度の4つのコンポーネントに分解する。
具体的には、コンテキストブランチとエッジブランチで構成される画像のディテールを強化するためのディテール処理モジュール(DPM)を提案する。
さらに、低周波セマンティクスを捕捉し、高周波ノイズを防止する低周波拡張フィルタ(LEF)を提案する。
PE-YOLOはエンドツーエンドのジョイントトレーニングアプローチを採用し、通常の検出損失のみを使用してトレーニングプロセスを簡素化する。
我々は,低照度物体検出データセットexdarkの実験を行い,その効果を実証した。
その結果,他の暗黒検出器や低照度化モデルと比較して,PE-YOLOはmAPが78.0%,FPSが53.6%となり,異なる低照度条件下での物体検出に適応できることがわかった。
コードはhttps://github.com/XiangchenYin/PE-YOLOで公開されている。
関連論文リスト
- YOLO-FEDER FusionNet: A Novel Deep Learning Architecture for Drone Detection [4.281091463408282]
YOLO-FEDER FusionNetと呼ばれる新しいディープラーニングアーキテクチャを導入する。
従来のアプローチとは異なり、YOLO-FEDER FusionNetは、汎用オブジェクト検出手法とカモフラージュオブジェクト検出技術の特殊強度を組み合わせることで、ドローン検出能力を向上している。
論文 参考訳（メタデータ） (2024-06-17T15:25:31Z) - 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) - SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised
Learning for Robust Infrared Small Target Detection [53.19618419772467]
単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。
Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。
赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
論文 参考訳（メタデータ） (2024-03-08T16:14:54Z) - MODIPHY: Multimodal Obscured Detection for IoT using PHantom Convolution-Enabled Faster YOLO [10.183459286746196]
YOLO Phantomは、史上最小のYOLOモデルのひとつです。
YOLO Phantomは最新のYOLOv8nモデルと同等の精度を実現し、パラメータとモデルサイズを同時に削減する。
実際の有効性は、高度な低照度カメラとRGBカメラを備えたIoTプラットフォーム上で実証され、AWSベースの通知エンドポイントにシームレスに接続される。
論文 参考訳（メタデータ） (2024-02-12T18:56:53Z) - Advanced Efficient Strategy for Detection of Dark Objects Based on
Spiking Network with Multi-Box Detection [2.9659663708260777]
本研究は,エネルギー効率および信頼性の高い物体検出器モデルとして,スパイク層と通常の畳み込み層の組み合わせを提案する。
最先端のPythonライブラリでは、スパイク層を効率的にトレーニングすることができる。
提案したスパイク畳み込みオブジェクト検出器 (SCOD) はVOCおよびEx-Darkデータセット上で評価されている。
論文 参考訳（メタデータ） (2023-10-10T07:20:37Z) - YOLO-MS: Rethinking Multi-Scale Representation Learning for Real-time
Object Detection [80.11152626362109]
YOLO-MSと呼ばれる効率的かつ高性能な物体検出器を提供する。
私たちは、他の大規模なデータセットに頼ることなく、MS COCOデータセット上でYOLO-MSをスクラッチからトレーニングします。
私たちの仕事は、他のYOLOモデルのプラグイン・アンド・プレイ・モジュールとしても使えます。
論文 参考訳（メタデータ） (2023-08-10T10:12:27Z) - A lightweight and accurate YOLO-like network for small target detection
in Aerial Imagery [94.78943497436492]
小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。
YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。
YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
論文 参考訳（メタデータ） (2022-04-05T16:29:49Z) - Image-Adaptive YOLO for Object Detection in Adverse Weather Conditions [34.993786158059436]
本稿では,画像適応型YOLO(IA-YOLO)フレームワークを提案する。
具体的には、YOLO検出器の悪天候を考慮した微分可能画像処理(DIP)モジュールを提示する。
我々は、CNN-PPとYOLOv3をエンドツーエンドで共同で学習し、CNN-PPが適切なDIPを学習し、弱い教師付きで検出のための画像を強化することを保証する。
論文 参考訳（メタデータ） (2021-12-15T12:54:17Z) - EDN: Salient Object Detection via Extremely-Downsampled Network [66.38046176176017]
画像全体のグローバルビューを効果的に学ぶために、極端なダウンサンプリング技術を使用するExtremely-Downsampled Network(EDN)を紹介します。
実験は、ednがリアルタイム速度でsart性能を達成することを実証する。
論文 参考訳（メタデータ） (2020-12-24T04:23:48Z) - A Single Stream Network for Robust and Real-time RGB-D Salient Object
Detection [89.88222217065858]
我々は、深度マップを用いて、RGBと深度の間の早期融合と中核融合を誘導する単一ストリームネットワークを設計する。
このモデルは、現在の最も軽量なモデルよりも55.5%軽く、32 FPSのリアルタイム速度で384倍の384ドルの画像を処理している。
論文 参考訳（メタデータ） (2020-07-14T04:40:14Z) - Hierarchical Dynamic Filtering Network for RGB-D Salient Object
Detection [91.43066633305662]
RGB-D Salient Object Detection (SOD) の主な目的は、相互融合情報をよりよく統合し活用する方法である。
本稿では,これらの問題を新たな視点から考察する。
我々は、より柔軟で効率的なマルチスケールのクロスモーダルな特徴処理を実装している。
論文 参考訳（メタデータ） (2020-07-13T07:59:55Z)
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。