Zero-DCE With Global Information for Low-Light Image Enhancement in Coal Mine IoVT
Notice bibliographique
Résumé
With the rapid advancement of technologies such as artificial intelligence and the Internet of Things, video surveillance—being a core component of video IoT systems—has been widely adopted for underground coal mine safety monitoring. However, the dim lighting and heavy coal dust in underground mines result in poor visibility and significant detail loss in monitoring images, posing a major challenge to coal mine safety management. To address these issues, we propose a low-light image enhancement method tailored for underground coal mine environments, based on Zero-DCE. In our method, traditional convolutions are replaced with Ghost modules to reduce computational cost while maintaining feature extraction capability. Additionally, we incorporate global context blocks and a Vision Transformer branch to integrate more global information into the model. Specifically, the global context blocks improve the model’s ability to correct uneven illumination and prevent overexposure. Meanwhile, the Vision Transformer branch captures long-range dependencies and fuses local and global features to enhance brightness while mitigating color distortion. Furthermore, we replace the original quadratic iterative function with a reciprocal illumination mapping function, enabling more stable and perceptually aligned brightness adjustments. Experimental results on the coal mine underground personnel dataset demonstrate that our method outperforms several state-of-the-art low-light enhancement techniques, achieving superior results in both qualitative and quantitative evaluations. These findings indicate that our approach significantly improves the visibility and overall quality of underground coal mine monitoring images.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 | 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 | 0,003 |
| Science ouverte | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».