目标检测YOLO实战应用案例100讲-基于YOLOv3的低照度目标检测

目录

前言

国内外研究现状

2 低照度增强及目标检测方法介绍

2.1低照度图像处理原理

2.1.1图像信号处理过程

2.1.2低照度图像生成

2.1.3传统的低照度图像增强方法

2.1.4基于深度学习的低照度增强方法

2.2目标检测算法介绍

2.2.1目标检测算法分类

2.2.2 YOLOv1

2.2.3 YOLOv2

2.2.4 YOLOv3

2.3数据集

2.3.1 Exdark数据集

2.3.2 PASCAL VOC数据集

---

本文篇幅较长，分为上下两篇，下篇详见基于YOLOv3的低照度目标检测(续)​​​​​​​

前言

计算机视觉在众多领域有着极为广泛的应用价值，随着计算机性能的飞速发展，目 标检测作为计算机视觉的一个重要分支也得到了广泛关注，在越来越多的场景中发挥着 重要作用[1]。例如，在军事领域中，它可用于导弹定位与追踪，站岗检查等任务；在民 用领域中，它可用于智能辅助驾驶，智能监控等工作。可以说，目标检测技术已经在不 知不觉中为我们的生活提供了极大的便利。
目标检测算法在正常照度数据集中取得了很好的效果，在实际工程中也有很广泛的 应用。但是，由于环境因素和技术因素的影响，如照明不足和曝光时间不足等，图像可