Improving Object Detection in Low Light Surveillance Using Hybrid Image Fusion Techniques Over Traditional Filtering Methods
Notice bibliographique
Résumé
The modern surveillance systems face a critical issue to enhance the accuracy of object detection in low-light environments. The classic filtering methods for enhancement fail to maintain crucial detection features like edge points and details with textures as well as illumination differences. A new innovative image fusion framework gets presented within this research because it unites multi-exposure image fusion with guided filtering alongside deep learning-based denoising features to advance object detection accuracy during low-light situations. The system uses wavelet transforms to merge visible and infrared images by CNN-based fusion approaches which enhances spatial definition while preserving semantic fidelity. The proposed system demonstrates superior outcomes against traditional filtering approaches when it comes to detection precision and recall as well as processing efficiency. The proposed method proves its ability to boost feature visibility across different surveillance datasets through multiple experimental evaluations. Experiments on the ExDark (10 117 images) and FLIR-ADAS (13 192 frames) datasets show a mean-Average-Precision (mAP@0.5) of 79.3 %, a+17.9 pp gain over Gaussian filtering and +9.6 pp over CLARE baselines while sustaining 59 ms inference latency on an NVIDIA RTX 4080. These results confirm the framework's suitability for real-time urban surveillance.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».