小白学视觉 | PE-YOLO：解决黑夜中的目标检测难点

最新推荐文章于 2025-04-21 17:06:03 发布
原创 最新推荐文章于 2025-04-21 17:06:03 发布
· 754 阅读 · 18 ·
版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#YOLO #目标检测 #人工智能 #python #计算机视觉 #深度学习 #机器学习

本文来源公众号“小白学视觉”，仅用于学术分享，侵权删，干货满满。

原文链接：PE-YOLO：解决黑夜中的目标检测难点

01简介

为了解决这个问题，有研究者提出了一个金字塔增强网络（pyramid enhanced network，PENet），并将其与YOLOv3结合起来，构建了一个名为PE-YOLO的暗目标检测框架。首先，PENet使用拉普拉斯金字塔将图像分解为不同分辨率的四个分量。

图片

具体来说，提出了一个细节处理模块（ detail processing module，DPM）来增强图像的细节，该模块由上下文分支和边缘分支组成。此外，还提出了一种低频增强滤波器（LEF）来捕获低频语义并防止高频噪声。PE-YOLO采用端到端联合训练方法，仅使用正常检测损失来简化训练过程。在弱光物体检测数据集ExDark上进行了实验，以证明新框架的有效性。结果表明，与其他暗探测器和弱光增强模型相比，PE-YOLO的mAP和FPS分别达到78.0%和53.6%，能够适应不同弱光条件下的物体检测。

02背景

近年

最低0.47元/天 解锁文章
深度学习论文: PE-YOLO: Pyramid Enhancement Network for Dark Object Detection及其PyTorch实现
mingo_敏
09-11 1113
当前的目标检测模型在许多基准数据集上取得了良好的结果，但在暗条件下检测物体仍然是一个巨大的挑战。为了解决这个问题，我们提出了一个金字塔增强网络（PENet），并将其与YOLOv3结合起来构建一个名为PE-YOLO的暗物体检测框架。首先，PENet使用拉普拉斯金字塔将图像分解为四个不同分辨率的组件。具体来说，我们提出了一个细节处理模块（DPM）来增强图像的细节，它由上下文分支和边缘分支组成。此外，我们提出了一个低频增强滤波器（LEF）来捕捉低频语义并防止高频噪声。
改进YOLOv8主干的低照度检测模型 | PE-YOLO的设计与应用【附涨点保姆级代码】
一键难忘的博客
10-24 3960
提取亮度特征# 增强特征return xPE-YOLO通过引入低照度增强模块和改进的特征提取策略，显著提高了YOLOv8在低照度物体检测任务中的性能。通过实验验证，PE-YOLO在多个实际应用场景中表现优异，尤其是在智能监控、无人机巡逻和自动驾驶等领域。然而，该模型仍然面临一些挑战，如训练成本的增加和超参数调优的复杂性。未来的研究方向可以包括引入自适应照度调整机制、多尺度特征融合技术以及GAN数据增强方法，进一步提升模型的鲁棒性和泛化能力。
【目标检测】——PE-YOLO精读
怡宝2号
10-06 2236
卷积神经网络（CNNs）在近年来如何推动了物体检测的发展。许多检测器已经被提出，而且在许多基准数据集上的性能正在不断提高。然而，大多数现有的检测器都是在正常条件下对高质量图像进行研究。在真实环境中，经常会出现许多糟糕的光照条件，如夜晚、暗光和曝光过度，这些条件会降低图像的质量，影响检测器的性能。前人的解决方案：…略本文采用了金字塔增强网络（PENet）和YOLOv3。首先，PENet使用拉普拉斯金字塔将图像分解为四个不同分辨率的组件。
目标检测-击穿黑夜的PE-YOLO
记录学习的小白
07-28 3048
近年来，卷积神经网络（CNN）的出现推动了目标检测领域的发展。大量的检测器被提出，针对基准数据集的性能也取得了令人满意的结果。然而，大多数现有的检测器都是在高质量图像和正常条件下进行研究的。而在实际环境中，往往存在许多恶劣的光照条件，如夜晚、暗光和曝光不足，导致图像质量下降，从而影响了检测器的性能。视觉感知模型使得自动系统能够理解环境并为后续任务（如轨迹规划）奠定基础，这需要一个稳健的目标检测或语义分割模型。图1是一个暗光目标检测的示例。
PE-YOLO：解决黑夜中的目标检测难点
小白学视觉
08-07 1358
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达目前的目标检测模型在许多基准数据集上都取得了良好的效果，在夜晚或者黑暗条件下检测目标仍然是一个巨大的挑战。01简介为了解决这个问题，有研究者提出了一个金字塔增强网络（pyramid enhanced network，PENet），并将其与YOLOv3结合起来，构建了一个名为PE-YOLO的暗目标检测框架。首先，PENet使用拉普...
【计算机视觉 | 目标检测】arxiv 计算机视觉关于目标检测的学术速递（7 月 21 日论文合集）
wzk4869的博客
07-23 1076
【计算机视觉 | 目标检测】arxiv 计算机视觉关于目标检测的学术速递（7 月 21 日论文合集）
YOLOE，2022年新版YOLO解读
热门推荐
chenxiangrong的博客
03-31 1万+
前言： 这是2022年第一个关于YOLO的改版，该版本由百度提出，称之为YOLOE，是目前各项指标sota的工业目标探测器，具有高性能且部署相对友好。 该检测器的设计机制包括： Anchor free无锚盒机制 可扩展的backbone和neck，由CSPRepResStage构成 头部机制ET-head 动态标签分配算法Task Alignment Learning（TAL） 该团队提供了s/m/l/x模型，YOLOE-l在COCO-Test中mAP达到51.1，在V100上可达71.1FPS，相对于Y
计算机视觉目标检测算法对比：R-CNN、YOLO与SSD全面解析
最新发布
CSDN博客专家，系统架构师，有合作、疑惑请私信博主。
04-21 11万+
计算机视觉目标检测算法对比：R-CNN、YOLO与SSD全面解析，人工智能、AI、计算机视觉领域中，目标检测是一项至关重要的任务，其旨在识别图像或视频中感兴趣的目标物体，并确定它们的位置。从安防监控中的人员检测，到自动驾驶中的行人、车辆识别，目标检测技术都有着广泛的应用。在众多目标检测算法中，R-CNN、YOLO 和 SSD 具有代表性，它们各自有着独特的设计理念和技术路线，在不同场景下展现出不同的性能表现。本文将深入剖析这三种算法，通过原理阐述、性能对比以及代码示例，帮助读者全面理解它们的特点与差异。
PE-YOLO: Pyramid Enhancement Network for Dark Object Detection——论文笔记
wyj2228785069的博客
01-20 1830
PE-YOLO论文阅读
计算机视觉研究院 | YOLO-S：小目标检测的轻量级、精确的类YOLO网络
csdn_xmj的博客
02-06 2185
研究者提出了YOLO-S，一个简单、快速、高效的网络。它利用了一个小的特征提取器，以及通过旁路和级联的跳过连接，以及一个重塑直通层来促进跨网络的特征重用，并将低级位置信息与更有意义的高级信息相结合。
ASF-YOLO：基于注意力机制的特征融合改进，赋能YOLOv8目标检测与分割【YOLOv8】
步入烟尘的博客
11-29 2492
ASF-YOLO（Attention-based Spatial Fusion YOLO）是一种基于注意力机制的特征融合方法，旨在提高网络在处理不同尺度和语义信息时的能力。ASF-YOLO通过引入空间注意力机制和通道注意力机制，在特征融合层中增强了对重要特征的响应，从而提升了网络的表现。ASF-YOLO（Attention-based Spatial Fusion YOLO）在YOLOv8中的引入显著提升了特征融合层的性能，尤其是在目标检测和分割任务中展现出了优异的效果。
无惧暗光！| PE-YOLO: 夜视环境物体检测新突破（附源码实现）
专注计算机视觉全栈知识分享
08-12 2335
PE-YOLO 是一种新颖的暗环境物体检测框架，该框架整合了金字塔增强网络（PENet）和YOLOv3。为了解决在暗光条件下图像可见性差的问题，该方法使用拉普拉斯金字塔将图像分解为具有不同分辨率的多个组件。然后，利用新提出的详细处理模块（DPM）和低频增强滤波器（LEF）增强这些组件的详细信息和低频信息。PE-YOLO以端到端的方式进行训练，无需额外的损失函数。通过在ExDark数据集上进行的实验，PE-YOLO相较于其他的低光照增强模型和暗光物体检测器，显示出了最佳的性能。
CVPR PE-YOLO文章翻译
我不想CV的博客
02-28 709
PENet通过拉普拉斯金字塔将图像分解为不同分辨率的分量。在PENet中，我们通过提出的细节处理模块（DPM）和低频增强滤波器（LEF）。增强了每个量表的组成部分将图像I∈Rh×w×3定义为输入，我们使用高斯金字塔获得不同分辨率的子图像。其中Down表示下采样，Gaussian表示高斯滤波器，高斯核的大小为5×5。每次高斯金字塔操作后，图像的宽度和高度减半，这意味着分辨率是原始的14。显然，高斯金字塔的下采样操作是不可逆的。
利用PP-YOLOE实现雾天环境下的行人车辆目标检测：技术、实现与优化
sybh的博客
06-28 781
本篇博客将会探讨基于PP-YOLOE的雾天行人车辆目标检测技术。由于视觉环境的复杂性，传统的目标检测方法在雾天、雨天等低能见度环境下往往表现不佳。在这种背景下，使用强大的PP-YOLOE模型为低能见度环境下的目标检测提供了新的解决方案。PP-YOLOE是一种改进的目标检测模型，它结合了YOLO（You Only Look Once）的高效性与PaddlePaddle的易用性，加上额外的改进来优化模型的性能。
【读点论文】PP-YOLOE: An evolved version of YOLO，面向友好部署的模型设计，为项目后续产业落地提供了更加有效的参考
白水空空
07-28 1210
与ResNet类似，我们的主干名为CSPRepResNet，包含一个由三个卷积层组成的主干，以及由我们的RepResBlock堆叠的四个后续阶段，如上图(d)所示。让网络的这两个部分同时进行训练，因为加载的backbone模型已经具有提取特征的能力了，在我们的训练过程中，会对他进行微调，使得其更适合于我们自己的任务。在本报告中，我们提出了PPYOLOv2的几个更新，包括可扩展的主干颈架构，高效的任务对齐头，先进的标签分配策略和改进的目标损失函数，形成了一系列高性能的目标检测器，称为PP-YOLOE。
PE-YOLO: Pyramid Enhancement Network for Dark Object Detection
Kingchenchen2199的博客
09-15 673
目标检测在不利的条件下（黑暗环境）性能较低，为此，本文提出了一个金字塔增强网络（PENet），并将其与YOLOv3联合起来，构建了一个名为PE-YOLO的暗目标检测框架。在精度和准确度PE-YOLO都得到了大幅度的提升。LEF（丰富重构图像的语义）。假设分量为f∈Rh×w×3，我们首先通过卷积层将其转换为f∈Rh×w×32。使用一个动态低通滤波器来捕获低频信息，并且我们使用平均池化来进行特征滤波，这只允许低于截止频率的信息通过。不同语义下的低频阈值是不同的。
YOLOv8改进 | 主干篇 | 低照度增强网络PE-YOLO改进主干
走向CTO的路上...
09-12 1185
本文介绍了一种利用低照度增强网络PE-YOLO改进YOLOv8模型主干网络的方法，以提高模型在暗光条件下的物体检测性能。该方法在COCO数据集的低照度子集上取得了显著的精度提升。本文介绍了一种利用低照度增强网络PE-YOLO改进YOLOv8模型主干网络的方法，以提高模型在暗光条件下的物体检测性能。该方法在COCO数据集的低照度子集上取得了显著的精度提升。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值