論文の概要: Boosting Object Detection with Zero-Shot Day-Night Domain Adaptation
- arxiv url: http://arxiv.org/abs/2312.01220v1
- Date: Sat, 2 Dec 2023 20:11:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-05 18:28:50.732232
- Title: Boosting Object Detection with Zero-Shot Day-Night Domain Adaptation
- Title(参考訳): ゼロショット昼夜領域適応による物体検出の促進
- Authors: Zhipeng Du, Miaojing Shi, Jiankang Deng
- Abstract要約: 実際の低照度データを必要としない、明るいシナリオから低照度シナリオへの検出。
ExDark, DARK FACE, CODaNデータセットを用いた実験により, 本手法の低光域一般化性を示す。
- 参考スコア(独自算出の注目度): 37.248582000576214
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Detecting objects in low-light scenarios presents a persistent challenge, as
detectors trained on well-lit data exhibit significant performance degradation
on low-light data due to the low visibility. Previous methods mitigate this
issue by investigating image enhancement or object detection techniques using
low-light image datasets. However, the progress is impeded by the inherent
difficulties associated with collecting and annotating low-light images. To
address this challenge, we propose to boost low-light object detection with
zero-shot day-night domain adaptation, which aims to generalize a detector from
well-lit scenarios to low-light ones without requiring real low-light data. We
first design a reflectance representation learning module to learn
Retinex-based illumination invariance in images with a carefully designed
illumination invariance reinforcement strategy. Next, an
interchange-redecomposition-coherence procedure is introduced to improve over
the vanilla Retinex image decomposition process by performing two sequential
image decompositions and introducing a redecomposition cohering loss. Extensive
experiments on ExDark, DARK FACE and CODaN datasets show strong low-light
generalizability of our method.
- Abstract(参考訳): 低照度のシナリオで物体を検出することは、よく照らされたデータで訓練された検出器が視認性が低いため、低照度データで著しい性能低下を示すため、永続的な課題である。
従来は低照度画像データセットを用いた画像強調や物体検出技術を用いてこの問題を緩和していた。
しかし、低照度画像の収集と注釈付けに固有の困難さが進展を妨げている。
この課題に対処するため,本研究では,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目的とした,ゼロショット昼夜ドメイン適応による低照度物体検出の高速化を提案する。
まず反射率表現学習モジュールをデザインし,精巧に設計された照明不分散強化戦略を用いて画像の屈折に基づく照明不分散を学習する。
次に、2つのシーケンシャルな画像分解を行い、再結合コヒーレンス損失を導入することにより、バニラレチネックス像分解工程を改善するための交換再結合コヒーレンス手順を導入する。
ExDark, DARK FACE, CODaN データセットの大規模な実験により, 本手法の低照度一般化性を示す。
関連論文リスト
- Zero-Shot Enhancement of Low-Light Image Based on Retinex Decomposition [4.175396687130961]
本稿ではZERRINNetと呼ばれるゼロショット低照度化手法の学習に基づくRetinex分解を提案する。
本手法は,ペアとアンペアのデータセットのトレーニングデータの影響を受けないゼロ参照拡張手法である。
論文 参考訳(メタデータ) (2023-11-06T09:57:48Z) - Improving Lens Flare Removal with General Purpose Pipeline and Multiple
Light Sources Recovery [69.71080926778413]
フレアアーティファクトは、画像の視覚的品質と下流のコンピュータビジョンタスクに影響を与える。
現在の方法では、画像信号処理パイプラインにおける自動露光やトーンマッピングは考慮されていない。
本稿では、ISPを再検討し、より信頼性の高い光源回収戦略を設計することで、レンズフレア除去性能を向上させるソリューションを提案する。
論文 参考訳(メタデータ) (2023-08-31T04:58:17Z) - KinD-LCE Curve Estimation And Retinex Fusion On Low-Light Image [7.280719886684936]
本稿では,低照度化のためのアルゴリズムを提案する。
KinD-LCEは、Retinex分解画像の照明マップを強化するために光曲線推定モジュールを使用する。
照明マップと反射マップ融合モジュールも提案され、画像の詳細を復元し、詳細損失を低減した。
論文 参考訳(メタデータ) (2022-07-19T11:49:21Z) - 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) - Invertible Network for Unpaired Low-light Image Enhancement [78.33382003460903]
本稿では,非可逆的ネットワークを活用して,前処理における低照度画像の強化と,非対向学習により逆向きに通常の照度画像の劣化を図ることを提案する。
対向的損失に加えて、トレーニングの安定性を確保し、より詳細な画像を保存するために、様々な損失関数を設計する。
低照度画像に対するプログレッシブ自己誘導強調処理を提案し,SOTAに対して良好な性能を示す。
論文 参考訳(メタデータ) (2021-12-24T17:00:54Z) - 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) - 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。