摘要
基于深度学习的目标检测方法在传统数据集上取得了很好的性能,但应用在恶劣天气
条件下(比如低光照或雾霾)捕获的低质量图像时,性能有所下降。
现有的方法:端到端同时训练图像增强和目标检测两个子网络,这种方法存在难以在
图像增强任务和目标检测任务之间取得平衡的问题;在目标检测前先对图像进行预处
理从而减少恶劣天气条件带来的影响,这种方法会存在一些有利于目标检测的潜在信
息在图像恢复过程中被忽略的问题。
Image-Adaptive YOLO(IA-YOLO)框架:其中每个图像都可以自适应地增强以获得更好
的检测性能。引入了一个可微分的图像处理(Differentiable Image Processing,
DIP)模块以针对YOLO目标检测器所面临的恶劣天气条件。并通过一个小型卷积神经
网络模型(CNN-PP)来预测DIP模块的参数。以端到端的方式联合学习CNN-PP和YOLOv
3,确保CNN-PP可以以弱监督的方式学习适当的DIP,以增强图像进行检测。