Light-resistant target detection improvement algorithm for overexposed environments
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract In strong light environments, images often appear overexposed, which seriously impacts the accuracy of target detection. Most existing research, however, requires additional modules to assist in detection, which affects the timeliness of the detection process. To address the issues of reduced target detection accuracy and timeliness in overexposed environments, this paper proposes a real-time anti-light target detection improvement algorithm based on you-only-look-once v8n (YOLO v8n), focusing on enhancing the model's ability to extract features from overexposed images without the need for additional modules. Firstly, online overexposure enhancement technology is integrated into model training to simulate overexposed images produced in overexposed environments, enhancing the model's robustness in detecting overexposed environments. Deformable convolution networks v2 is used to improve the cross-stage partial bottleneck with two convolutions layer, addressing the issue of traditional convolution's poor feature extraction performance for overexposed images, thereby aiding the model in capturing targets with weakened or missing features and enhancing the model's ability to construct the geometric shape of targets. Secondly, large separable kernel attention is introduced to enhance the spatial pyramid pooling fast layer, strengthening the model's overall connectivity for targets with missing features. Finally, distance intersection over union is utilized to optimize the detection accuracy of overlapping targets in overexposed environments. The experimental results show that, compared to the original model, the mAP50 and mAP50–95 of the model designed in this paper are improved by 23.2% and 15.7%, respectively, and the model size only increases by 0.3 M. While improving detection accuracy, the lightweight requirements for actual deployment are also met.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle