論文の概要: Boosting Object Detection with Zero-Shot Day-Night Domain Adaptation

• arxiv url: http://arxiv.org/abs/2312.01220v2
• Date: Wed, 27 Mar 2024 17:23:16 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-28 22:33:12.706354
• Title: Boosting Object Detection with Zero-Shot Day-Night Domain Adaptation
• Title（参考訳）: ゼロショットデイナイト領域適応による物体検出の高速化
• Authors: Zhipeng Du, Miaojing Shi, Jiankang Deng,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 33.142262765252795
• 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 low visibility. Previous methods mitigate this issue by exploring image enhancement or object detection techniques with real low-light image datasets. However, the progress is impeded by the inherent difficulties about 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. Revisiting Retinex theory in the low-level vision, 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. Our code is available at https://github.com/ZPDu/DAI-Net.
• Abstract（参考訳）: 低照度データでトレーニングされた検出器は、低照度データに対して、低照度データに対して顕著な性能低下を示すため、低照度シナリオにおけるオブジェクトの検出は永続的な課題を示す。 従来の手法では、実際の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探ることでこの問題を緩和している。 しかし、この進歩は低照度画像の収集と注釈付けに固有の困難によって妨げられている。 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。 低レベルのビジョンでRetinex理論を再考し、まず反射率表現学習モジュールを設計し、慎重に設計された照度不変性強化戦略を用いて画像中のRetinexベースの照度不変性を学習する。 次に、2つの逐次画像分解を行い、再分解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画像分解プロセスを改善するために、インターチェンジ再分解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。 私たちのコードはhttps://github.com/ZPDu/DAI-Net.comで公開されています。

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)
• Low-Light Image Enhancement with Illumination-Aware Gamma Correction and Complete Image Modelling Network [69.96295927854042]
  低照度環境は通常、情報の少ない大規模な暗黒地帯に繋がる。 本稿では,ガンマ補正の有効性を深層ネットワークのモデリング能力と統合することを提案する。 指数関数演算は高い計算複雑性をもたらすので、Taylor Series を用いてガンマ補正を近似することを提案する。
  論文  参考訳（メタデータ） (2023-08-16T08:46:51Z)
• Retinexformer: One-stage Retinex-based Transformer for Low-light Image Enhancement [96.09255345336639]
  低照度画像の高精細化のために,原理化された1段Retinex-based Framework (ORF) を定式化する。 ORFはまず照明情報を推定し、低照度画像を照らす。 我々のアルゴリズムであるRetinexformerは13のベンチマークで最先端の手法を大幅に上回っている。
  論文  参考訳（メタデータ） (2023-03-12T16:54:08Z)
• 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)
• 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)
• 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。