面向低光照环境的目标检测算法研究.docx

目标检测是计算机视觉领域的基本任务之一,旨在识别物体的种类和空间位置。在夜晚或其它低光场景中，图像的特征难以提取，降低了检测精度。针对该问题，本文在Yolov5目标检测算法的基础上进行改进实验。一方面，本文分别使用Zerodce++增强算法和SCI增强算法对应的已训练的模型权重，对低光图像进行预处理，以达到增强特征信息的效果。实验验证发现，低光图像确实可以在一定程度上增强细节特征，但同时不可避免会导致一些细节信息的损失，降低检测精度，而且还会引入噪声，干扰检测网络对特征的提取，所以低光图像增强预处理并不能有效提升检测精度。另一方面，针对检测网络，本文采用K均值算法进行聚类，找到数据集对应匹配的先验框，以实现更精确的预测，同时在三个有效特征层加入基于动态稀疏注意力机制的双层变换网络，增加关联区域的关注程度，提高网络的检测能力。实验结果表明，本文对Yolov5检测算法的改进，提高了检测精度，在ExDark低光数据集上mAP0.5达到74.16%，与原始检测算法相比，提升了1.55%，验证了该方案的有效性。 《面向低光照环境的目标检测算法研究》 在计算机视觉领域，目标检测是一项至关重要的任务，其目的是识别图像中的物体类别及它们的空间位置。然而，在夜晚或低光照条件下，图像的特征变得模糊，使得传统的检测算法难以准确提取这些信息，从而降低检测精度。针对这一挑战，本文聚焦于改进Yolov5目标检测算法，以适应低光照环境。 论文尝试了两种图像增强策略，即使用Zerodce++和SCI增强算法。这两种算法通过预先训练的模型权重对低光图像进行处理，旨在提升图像的特征信息。然而，实验结果显示，尽管这些增强方法能在一定程度上增强图像的细节特征，但同时也导致了信息的丢失，可能会降低检测精度。此外，增强过程引入的噪声会干扰检测网络对特征的识别，从而削弱了算法的性能。因此，单纯依赖低光图像增强作为解决方案并不理想。 为了解决这个问题，本文采取了另一条途径，即优化检测网络本身。利用K均值聚类算法，论文对数据集进行了分析，寻找与之匹配的先验框，这有助于提高预测的精确度。同时，为了增强网络对相关区域的关注，作者在Yolov5的三个关键特征层引入了基于动态稀疏注意力机制的双层变换网络（Biformer）。这种双层变换网络能够更加有效地关注图像中的关键区域，提高网络的检测能力，尤其是在复杂和低光照的环境下。 实验结果表明，经过改进的Yolov5检测算法在ExDark低光数据集上的mAP0.5达到了74.16%，相较于原算法提升了1.55%。这一提升证明了所提出的方案在提升低光照环境下目标检测精度方面的有效性。这种方法的创新之处在于结合了预处理和网络结构的优化，以克服低光照条件下的视觉挑战。 本文的研究揭示了在低光照环境中进行目标检测的困难，并提出了一种针对性的解决方案。通过改进的Yolov5算法，不仅在理论上验证了增强策略和网络优化的组合优势，还在实际应用中实现了性能提升。这一研究对于推动低光照环境下的计算机视觉技术发展具有重要意义，为未来相关领域的研究提供了新的思路和方法。