没有合适的资源?快使用搜索试试~ 我知道了~
首页低光环境下Yolov5目标检测的改进策略:K均值+双层变换网络提升74.16% mAP
低光环境下Yolov5目标检测的改进策略:K均值+双层变换网络提升74.16% mAP
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 2 浏览量
更新于2024-06-20
1
收藏 2.32MB DOCX 举报
本文主要探讨了在低光照环境下,如何有效地改进目标检测算法,以便提高识别物体种类和位置的精度。针对传统的计算机视觉任务中,如Yolov5目标检测算法在夜间或光线不足场景下的性能瓶颈,研究者提出了一种创新的方法。 首先,文章对低光图像预处理进行了深入研究。利用Zerodce++和SCI两种增强算法,作者尝试通过应用预先训练好的模型权重来增强图像特征。尽管这些增强技术在一定程度上可以提升图像的细节信息,但实验证明,它们可能导致部分细节丢失,降低检测精度,并引入额外的噪声,干扰了特征提取过程。因此,单纯依赖图像增强预处理并不能显著提高目标检测的性能。 为了改善这种情况,研究者转向了检测网络的优化。他们采用了K均值聚类算法,通过将数据集中的样本归类到与其最匹配的先验框,实现了更精准的预测。这一步有助于减少误识别的可能性,提升预测的准确性。此外,作者还在关键的特征层上引入了基于动态稀疏注意力机制的双层变换网络。这种设计增加了网络对关联区域的关注度,提高了其对目标对象的敏感性和定位能力。 实验结果在ExDark低光数据集上展示了明显的提升。改进后的Yolov5算法在mAP@0.5指标上达到了74.16%,相比于原始算法,提高了1.55%。这一结果有力地验证了所提方案对于在低光照环境中提高目标检测性能的有效性。 总结来说,本文通过对Yolov5目标检测算法的关键环节进行优化,包括预处理策略和网络结构的改进,成功地适应了低光照环境,显著提高了目标检测的精度。这一研究成果对于实际应用,如安防监控、自动驾驶等领域,在光照条件较差的环境下进行目标识别具有重要的指导意义。
资源详情
资源推荐
![](https://csdnimg.cn/release/download_crawler_static/88444423/bg7.jpg)
2
反射率部分通常被认为是在任何照明条件下都是一致的,通过去除光照度的影响,
还原图像。传统基于 Retinex 模型的算法效率低,针对该问题,改进版本
RetinexNet
[6]
算法被提出。除了反射率和照明度,还增加了调整照度图的 Enhance-
Net 模块。为了减少计算量,Li 等人提出了一种基于 Retinex 的轻量级模型
LightenNet
[7]
。LightenNet 通过对图像的预处理和后处理,可以进一步提高图像
质量。Zhao 等人通过分解 Retinex,使用基于 Retinex 的 RetinexDIP
[8]
模型来增强
低照度图像。受 Deep Image Prior
[9]
的启发,RetinexDIP 通过随机采样的噪声生成
输入图像的反射分量和照度分量,其中照度平滑度等分量特征相关损失被用于训
练。
(2)基于深度学习的方法。Lore 提出的基于深度学习的 LLNet
[10]
算法首次
被用来处理图像增强任务,该算法使用自编码器对低光图像进行增强和去噪。
Zhang 等人分别开发了三个子网络,用于图层分解、反射率恢复和光照度调整,
称为 KinD
[11]
。训练模型时使用配对的数据集可能会出现过拟合现象,为了解决
这个问题,一种名为 EnligthenGAN
[12]
的无监督学习方法被提出。EnlightenGAN
使用 U-Net
[13]
作为主干网络,通过全局-局部判别器来防止过度曝光或曝光不足。
Zhang 等人提出 ExCNet
[14]
算法,其使用一个网络拟合输入图像的 S 曲线,然后
通过引导滤波器把输入图像分离成基础层和细节层。拟合曲线用于调整基础层,
最后通过 Weber 对比度再将两层融合。Zero-DCE
[15]
设计了一种高阶曲线,通过
一个对称卷积网络对输入图像三个通道求解最优曲线参数,从而对图像进行迭代
增强。Zero-DCE++
[16]
是 Zero-DCE 的轻量化版本。
1.2.2 目标检测现状
(1)两阶段目标检测算法。R-CNN
[17][18]
目标检测算法是典型的两阶段检测
算法,使用选择性搜索算法对图片区域进行提取,得到候选区域后输入到网络。
相对于传统基于手工设计的检测方法,R-CNN 使用了深度学习网络进行特征提
取,可以学习到更具鲁棒性和区分度的特征,但该网络只能输入特定大小的图像,
增加了模型使用门限。基于不能自适应调节尺寸的限制,K.He 等人提出了空间
金字塔网络 SPPNet
[19]
,该网络采用多阶段训练方法,可以接受不同尺寸大小的
图片输入。在不牺牲检测精度的同时,SPPNet 比 R-CNN 快 20 多倍。为了进一
步提高检测性能,Fast RCNN
[20]
检测器被提出,该算法不再采用 R-CNN 直接将
建议框输入到卷积网络的方法,而是先得到特征图,再使用建议框对特征图提取
特征框。因此该算法避免了卷积的重复计算,大大减少了计算量,与 R-CNN 和
SPPNet 相比,其在检测精度和速度上都有显著提升。Fast RCNN 之后不久,
Faster RCNN 检测器
[21][22]
被提出,该算法在检测速度方面表现尤为突出,最核心
的就是使用 RPN 代替原来生成候选框的方式,显著提高了检测框的生成速度,
剩余34页未读,继续阅读
![docx](https://img-home.csdnimg.cn/images/20210720083331.png)
![docx](https://img-home.csdnimg.cn/images/20210720083331.png)
![docx](https://img-home.csdnimg.cn/images/20210720083331.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)