.png){kind=icon}
返回
A Multi-Scale Adaptive Network for Low-Light Object Detection
.png){kind=icon}
PRE
AI
DOI：10.1002/rob.70064.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
低光条件下的目标检测是执行自动驾驶、夜间监控、无人机巡检和 underwater exploration 等现实任务的自主机器人系统的关键感知能力。然而，此类环境中的图像退化严重干扰了视觉特征提取，导致频繁出现误报和漏检。为应对这一挑战，我们提出了一种新颖的多尺度自适应网络（MANet），用于低光场景下的鲁棒目标检测。MANet 包含两个主要组件：一个基于我们提出的多尺度特征提取器构建的级联特征提取网络，以及一个自适应融合网络，该网络整合了我们的自适应特征提取器和一个快速归一化融合模块。此外，我们引入了一个联合损失函数，以进一步改善复杂光照条件下的分类性能。实验结果表明，MANet 在 ExDark 数据集上实现了 0.718 的 mAp@0.5 和 0.451 的 mAp@0.5:0.95，并在 DARKFACE、DUO 和 TrashCan 上表现出竞争性性能。此外，MANet 在真实世界的低光条件下展示了强大的跨场景泛化能力。这些结果验证了 MANet 在减少误报和漏检、增强检测鲁棒性方面的有效性，并为现实世界户外低光环境中的机器人感知与决策奠定了坚实基础。
Keyword:
adaptive feature extractor
low-light object detection
multi-scale feature extractor
期刊
IF:
5.2
论文数:
1.7K
被引数:
6.0K
机构
暂无机构信息
引用论文
.png){kind=icon}
UP-GAN: Channel-spatial attention-based progressive generative adversarial network for underwater image enhancementUP-GAN: 基于通道空间注意力的渐进式生成对抗网络用于水下图像增强
PREAI
分享收藏Raindrop-Tampered Scene Detection and Traffic Flow Estimation for Nighttime Traffic Surveillance
PREAI
分享收藏
查看更多内容