基于感受野和自适应深度卷积的注意力引导低光照目标检测

《IEEE Transactions on Neural Networks and Learning Systems》：Attention-Guided Low-Light Object Detection Based on Receptive Field With Adaptive Depth Convolution

提出基于自适应深度卷积的注意力引导目标检测模型，通过Zero-DiDCE++图像增强模块恢复多维度图像信息，结合特征自注意力机制和稀疏可适应性深度卷积模块提升低光检测精度，构建ZRF-YOLOv9框架在ExDark、Dark Face、Tiny-Person数据集上实现mAP提升。

　　

摘要：

为了解决基于可见光的物体检测器在低光照环境下的性能下降问题，本文提出了一种基于自适应深度卷积的注意力引导检测模型。首先，通过名为“零参考双照明深度曲线估计++”（Zero-DiDCE++）的图像增强模块来提升原始图像的质量并恢复各种图像信息。随后，文章引入了自注意力机制和感受野特征，设计了特征自注意力（FSA）模块和稀疏感受野自适应卷积（SRDConv）模块。这些模块协同工作，以突出目标特征并提高检测精度。最后，我们提出了一个名为ZRF-YOLOv9的物体检测框架，该框架旨在提升低光照条件下的性能。它结合了Zero-DiDCE++并将其与改进后的YOLOv9网络集成在一起。实验表明，在ExDark、Dark Face和Tiny-Person数据集上，ZRF-YOLOv9算法的低光照检测精度分别提高了1.1%、2.0%和0.5%（mAP值达到5.0%）。该模型不仅增强了图像的可见性，还提高了低光照场景下目标图像的检测精度。