論文の概要: Low-Light Enhancement Effect on Classification and Detection: An Empirical Study

• arxiv url: http://arxiv.org/abs/2409.14461v1
• Date: Sun, 22 Sep 2024 14:21:31 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-06 22:41:53.145594
• Title: Low-Light Enhancement Effect on Classification and Detection: An Empirical Study
• Title（参考訳）: 分類・検出における低光強度効果:実証的研究
• Authors: Xu Wu, Zhihui Lai, Zhou Jie, Can Gao, Xianxu Hou, Ya-nan Zhang, Linlin Shen,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 48.6762437869172
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Low-light images are commonly encountered in real-world scenarios, and numerous low-light image enhancement (LLIE) methods have been proposed to improve the visibility of these images. The primary goal of LLIE is to generate clearer images that are more visually pleasing to humans. However, the impact of LLIE methods in high-level vision tasks, such as image classification and object detection, which rely on high-quality image datasets, is not well {explored}. To explore the impact, we comprehensively evaluate LLIE methods on these high-level vision tasks by utilizing an empirical investigation comprising image classification and object detection experiments. The evaluation reveals a dichotomy: {\textit{While Low-Light Image Enhancement (LLIE) methods enhance human visual interpretation, their effect on computer vision tasks is inconsistent and can sometimes be harmful. }} Our findings suggest a disconnect between image enhancement for human visual perception and for machine analysis, indicating a need for LLIE methods tailored to support high-level vision tasks effectively. This insight is crucial for the development of LLIE techniques that align with the needs of both human and machine vision.
• Abstract（参考訳）: 低照度画像は現実のシナリオで一般的に見られ、これらの画像の視認性を改善するために多くの低照度画像強調法(LLIE)が提案されている。 LLIEの主な目標は、人間により視覚的に喜ばせる、より鮮明な画像を作ることである。 しかし、高品質な画像データセットに依存する画像分類や物体検出など、高レベルの視覚タスクにおけるLLIE法の影響は、あまり「探索的」ではない。 本研究は,画像分類と物体検出実験を含む経験的調査を利用して,これらのハイレベル視覚課題に対するLLIE手法を総合的に評価する。 LLIE (textit{While Low-Light Image Enhancement) 法は人間の視覚的解釈を促進するが、コンピュータビジョンタスクに対する効果は矛盾し、時には有害となることがある。 以上の結果から,高次視覚タスクを効果的に支援するためのLLIE法の必要性が示唆された。 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。

関連論文リスト

• Deep Domain Adaptation: A Sim2Real Neural Approach for Improving Eye-Tracking Systems [80.62854148838359]
  眼球画像のセグメンテーションは、最終視線推定に大きな影響を及ぼす眼球追跡の重要なステップである。 対象視線画像と合成訓練データとの重なり合いを測定するために,次元還元法を用いている。 提案手法は,シミュレーションと実世界のデータサンプルの相違に対処する際の頑健で,性能が向上する。
  論文  参考訳（メタデータ） (2024-03-23T22:32:06Z)
• 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)
• Self-Aligned Concave Curve: Illumination Enhancement for Unsupervised Adaptation [36.050270650417325]
  ハイレベルビジョンのための学習可能な照明強調モデルを提案する。 実際のカメラ応答関数にインスパイアされた照明強調関数は凹凸曲線であると仮定する。 我々のモデルアーキテクチャとトレーニングデザインは相互に恩恵を受け、強力な教師なし正規-低照度適応フレームワークを形成する。
  論文  参考訳（メタデータ） (2022-10-07T19:32:55Z)
• Exploring CLIP for Assessing the Look and Feel of Images [87.97623543523858]
  ゼロショット方式で画像の品質知覚(ルック)と抽象知覚(フィール)の両方を評価するために,コントラスト言語-画像事前学習(CLIP)モデルを導入する。 以上の結果から,CLIPは知覚的評価によく適合する有意義な先行情報を捉えることが示唆された。
  論文  参考訳（メタデータ） (2022-07-25T17:58:16Z)
• Learning with Nested Scene Modeling and Cooperative Architecture Search for Low-Light Vision [95.45256938467237]
  低照度シーンから撮影された画像は、しばしば深刻な劣化に悩まされる。 低照度画像の視覚的品質を高めるために深層学習法が提案されている。 他の低照度ビジョンアプリケーションを扱うために、これらの拡張テクニックを拡張することは依然として困難である。
  論文  参考訳（メタデータ） (2021-12-09T06:08:31Z)
• 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)
• SALYPATH: A Deep-Based Architecture for visual attention prediction [5.068678962285629]
  視覚的注意は、画像圧縮、認識、キャプションなどの多くのコンピュータビジョンアプリケーションに有用である。 本稿では, 画像の走査パスを, サリエンシモデルの特徴を通して効率的に予測する, いわゆるSALYPATHを提案する。 その考え方は、深いベースモデルの能力を利用してスキャンパスを予測し、サリエンシを予測することである。
  論文  参考訳（メタデータ） (2021-06-29T08:53:51Z)
• Heterogeneous Contrastive Learning: Encoding Spatial Information for Compact Visual Representations [183.03278932562438]
  本稿では,エンコーディング段階に空間情報を加えることで,対照的な目的と強いデータ拡張操作の間の学習の不整合を緩和する効果的な手法を提案する。 提案手法は,視覚表現の効率を向上し,自己指導型視覚表現学習の今後の研究を刺激する鍵となるメッセージを提供する。
  論文  参考訳（メタデータ） (2020-11-19T16:26:25Z)
• Unsupervised Foveal Vision Neural Networks with Top-Down Attention [0.3058685580689604]
  本稿では,教師なし学習技術のみを用いたボトムアップ・サリエンシーとトップダウン・アテンションの融合を提案する。 トロントおよびCAT2000データベース上で提案したガンマ塩分濃度法の性能を検証した。 また,CNNの上位層に適用したガンマ塩分度に基づくトップダウンアテンション機構を開発し,背景が乱れの強いマルチオブジェクト画像や画像のシーン理解を改善する。
  論文  参考訳（メタデータ） (2020-10-18T20:55:49Z)
• Rethinking of the Image Salient Object Detection: Object-level Semantic Saliency Re-ranking First, Pixel-wise Saliency Refinement Latter [62.26677215668959]
  本稿では,意味的に有意な領域を粗い位置で特定する,軽量で教師付きの深層ネットワークを提案する。 次に,これらセマンティック・サリエント領域の深層モデルを画素ワイド・サリエンシ改善として融合する。 提案手法は単純だが有効であり,本手法は主眼をオブジェクトレベルのセマンティック・リグレード問題とみなすための最初の試みである。
  論文  参考訳（メタデータ） (2020-08-10T07:12:43Z)

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。