算法联调篇 | YOLOv8结合SCI低光照图像增强算法！让夜晚目标无处遁形！【含端到端推理脚本】

已于 2025-04-14 16:34:22 修改
阅读量5.1k 收藏 37
点赞数 22
分类专栏： YOLOv8改进实战🚀 文章标签： YOLO 算法联调 SCI 低光照图像增强 YOLOv8 目标检测
于 2024-04-02 20:39:23 首次发布
原创文章为博主个人所有，未经授权不得转载、摘编、传播、倒卖、洗稿或利用其它方式使用上述作品。违反上述声明者，本站将追求其相关法律责任。
本文链接：https://blog.csdn.net/weixin_43694096/article/details/137279799
版权
本文介绍了一种自校准光照学习（SCI）算法，用于低光照图像增强，结合YOLOv8实现目标检测。通过权重共享和自校准模块，SCI提高了曝光稳定性和计算效率。实验结果显示，SCI在视觉质量和下游任务性能方面表现出色，且推理速度加快。提供的端到端推理脚本简化了图像增强和目标检测流程。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

这里的"SCI"代表的并不是论文等级，而是论文采用的方法 — “自校准光照学习” ~

在这里插入图片描述
在这里插入图片描述

左侧为SCI模型增强后图片的检测效果，右侧为原始v8n检测效果

这篇文章的主要内容是通过使用SCI模型和YOLOv8进行算法联调，最终实现了如上所示的效果：在增强图像可见度的同时，对图像中的目标进行检测。

主要目标是提高召回率，次要目标是提高准确率。

文章目录

SCI算法简介

在这里插入图片描述
论文地址：

了解本专栏 订阅专栏 解锁全文
YOLOv8结合SCI低光照图像增强算法！让夜晚目标无处遁形！【含端到端推理脚本】
weixin_39818775的博客
06-01 1977
本篇介绍如何将SCI低光照图像增强算法与YOLOv8目标检测算法结合起来，以提升夜晚目标检测性能。该方法在增强图像亮度和对比度的同时，保持了图像细节，使得YOLOv8能够更准确地识别和定位夜晚目标。该方法将SCI低光照图像增强算法与YOLOv8目标检测算法结合起来，有效地提升了夜晚目标检测性能，具有广阔的应用前景。
多模态的几种融合方法
热门推荐
rosinante
10-24 4万+
目前，多模态数据融合主要有三种融合方式：前端融合(early-fusion)或数据水平融合(data-level fusion)、后端融合(late-fusion)或决策水平融合(decision-level fusion)和中间融合(intermediate-fusion)。 前端融合将多个独立的数据集融合成一个单一的特征向量，然后输入到机器学习分类器中。由于多模态数据的前端融合往往无法充分利...
改进的基于yolov8的低光照目标检测系统
最新发布
QQ_1309399183的博客
03-08 286
本项目聚焦于低光照环境下的图像增强与目标检测技术，通过融合低光照图像增强算法（LIME）和YOLOv8目标检测模型，旨在提升在光线不足条件下的目标识别准确率。该系统能够处理静态图像和动态视频流，通过增强图像质量来确保关键目标（如车辆）的准确检测，这对于自动驾驶等领域具有重要的应用价值。
【论文阅读笔记】SCI算法与代码 | 低照度图像增强 | 2022.4.21
静谧、淡雅
12-31 1555
SCI算法与代码 | 低照度图像增强 | 2022.4.21
CVPR 低光照图像增强 图像增强与统一恢复网络2024
jacke121的专栏
10-01 4857
CVPR 低光照图像增强 图像增强与统一恢复网络2024
【低照度图像增强系列（4）】SCI算法详解与代码实现（CVPR 2022|大连理工）
路人贾的博客
01-18 7331
低照度图像增强系列（4）——SCI算法详解与代码实现
基于Shading Model（对光照变化一定不变性）的运动目标检测算法
Belial计算机视觉&机器视觉专栏
08-30 5450
本文介绍一种基于光照模型（Shading Model）的运动目标检测算法。算法通过对光照模型的分析，得到基于两帧图像灰度比率的区域关系，计算两帧图像间区域内的灰度比率方差的均值来判断是否存在变化，也即通过计算两帧图像间区域内的灰度比率方差的均值来实现运动目标的检测目的。算法对突然光照具有较强的鲁棒性，不会产生全局范围内大面积的白色前景，具有较好的性能。
CVPR 2022 Oral 大连理工提出SCI：快速、超强的低光照图像增强方法
jacke121的专栏
06-12 4458
CVPR 2022 Oral 大连理工提出SCI：快速、超强的低光照图像增强方法
探索实践昏暗光线低光照场景下目标检测，基于YOLOv7【tiny/l/x】模型开发构建昏暗光线低光照场景下的目标检测识别系统
Together_CZ的博客
04-08 1708
探索实践昏暗光线低光照场景下目标检测，基于YOLOv7【tiny/l/x】模型开发构建昏暗光线低光照场景下的目标检测识别系统
探索实践昏暗光线低光照场景下目标检测，基于YOLOv8全系列【n/s/m/l/x】参数模型开发构建昏暗光线低光照场景下的目标检测识别系统
Together_CZ的博客
04-07 3420
探索实践昏暗光线低光照场景下目标检测，基于YOLOv8全系列【n/s/m/l/x】参数模型开发构建昏暗光线低光照场景下的目标检测识别系统
室内夜间微弱光源下运动目标检测和阴影去除
02-10
提出一种新的室内夜间微弱光源照明情况下的运动目标检测方法。首先进行背景建模, 获取稳固的背景图像, 之后对背景和当前帧图像进行图像增强处理, 提高其清晰度; 采用相对背景减法检测前景运动目标, 并对差分图像进行去噪和修补; 利用前景目标区域、阴影区域和背景区域像素亮度值存在差异的特点, 检测和去除背景差分图像中可能存在的阴影, 获得准确的运动目标。在室内夜间环境下采集视频进行试验, 结果验证了所提方法的有效性。
【算法联调篇】| YOLOv10结合SCI低光照图像增强算法！让夜晚目标无处遁形！【含端到端推理脚本】
YOLOv8项目贡献者
06-24 544
YOLOv10结合SCI低光照图像增强算法！让夜晚目标无处遁形！【含端到端推理脚本】
RTDETR结合SCI低光照图像增强算法！让夜晚目标无处遁形！【含端到端推理脚本】
YOLOv8项目贡献者
05-27 835
YOLOv8结合SCI低光照图像增强算法！让夜晚目标无处遁形！
算法联调篇 | YOLOv8 结合切片辅助超推理算法 | 这才叫让小目标无处遁形！| 使用 YOLOv8 和 SAHI 进行切片推理
YOLOv8项目贡献者
09-04 5772
算法联调篇 | YOLOv8 结合切片辅助超推理算法 | 这tm才叫让小目标无处遁形！
算法联调篇 | YOLOv11 结合切片辅助超推理算法 | 这才叫让小目标无处遁形！| 使用 YOLOv11 和 SAHI 进行切片推理
YOLOv8项目贡献者
11-19 1878
算法联调篇 | YOLOv11 结合切片辅助超推理算法 | 这才叫让小目标无处遁形！| 使用 YOLOv11 和 SAHI 进行切片推理
YOLOv8改进系列，YOLOv8主干网络引入Retinexformer，用于低光照物体检测
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
09-03 638
该方法的整体架构，正如图(a)所示，我们的Retinexformer基于我们提出的一阶段Retinex框架(ORF)。ORF由一个照明估计器(i)和一个损坏恢复器(ii)组成。我们设计了一个照明引导变换器(IGT)作为损坏恢复器。图(b)中描述了IGT的基本单元是照明引导注意力块(IGAB)，它由两个层归一化(LN)、一个照明引导多头自注意力(IG-MSA)模块和一个前馈网络(FFN)组成。图©展示了IG-MSA的细节。
探索昏暗光线低光照场景目标检测，基于YOLOv9全系列【gelan/gelan-c/gelan-e/yolov9/yolov9-c/yolov9-e】模型开发构建昏暗光线低光照场景下的目标检测识别系统
Together_CZ的博客
04-09 1249
探索昏暗光线低光照场景目标检测，基于YOLOv9全系列【gelan/gelan-c/gelan-e/yolov9/yolov9-c/yolov9-e】模型开发构建昏暗光线低光照场景下的目标检测识别系统
评论 28
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

打赏作者

迪菲赫尔曼

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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