DeC-YOLO:动态光照补偿与上下文变换器融合技术在低光照环境下的目标检测应用

《Optics & Laser Technology》:DeC-YOLO: Dynamic illumination compensation and context-transformer fusion for low-light object detection

【字体: 大 中 小 】 时间:2026年01月06日 来源:Optics & Laser Technology 4.6

编辑推荐:

  低光目标检测中提出DeC-YOLO模型,基于YOLOv8n设计动态增强网络DeNet和上下文Transformer FPN,通过多尺度光照补偿模块抑制低光区域特征退化,实验在ExDark、VisDrone等数据集上mAP提升1.3%-2.18%,优化参数量与计算效率。

  
作者:李彪 | 王冰 | 胡雄
上海海事大学物流工程学院,中国上海 201306

摘要

为了解决低光照条件下特征退化和空间语义丢失的问题,本文提出了一种基于YOLOv8n的低光照物体检测模型DeC-YOLO,该模型包含两项关键改进。首先,在图像增强方面,基于Retinex理论设计了一个动态增强网络DeNet。通过提出的多尺度光照补偿模块(MICM),根据动态自适应对比度重建网络(DACR Net)学习到的图像反射成分的对比度特征信息,对光照成分进行自适应调整。这提高了图像细节质量,并有效抑制了低光照区域的特征退化。其次,在物体检测方面,设计了一种上下文动态Transformer FPN(CoDT-FPN)。通过上下文网络和通道注意力的协同优化,在低光照条件下实现了物体细节信息的跨尺度特征融合,减少了空间语义信息的丢失,同时降低了参数数量。实验结果表明,在Exdark、VisDrone和Darkface数据集上,DeC-YOLO的mAP值分别为83.1%、38.2%和44.8%,相比基线模型分别提高了1.3%、2.6%和2.18%。在PSNR、SSIM和LPIPS方面也获得了最佳结果。此外,DeC-YOLO还减少了参数数量和GFLOPs,同时显著提高了FPS,展现了其鲁棒性和泛化能力。

引言

随着技术的进步,物体检测技术取得了显著进展,并已广泛应用于各个领域。然而,尽管大多数检测器在特征信息丰富的正常光照条件下表现良好[1]、[2]、[3]、[4],但在特征信息稀缺的低光照或黑暗环境中,它们的检测精度会显著下降。在实际应用中,低光照场景是不可避免的,例如夜间、阴天、雨天和阴影区域。因此,加强低光照环境下的物体检测研究变得尤为重要。
研究低光照环境下的物体检测算法具有重要的实际和学术价值,主要目标是设计一种在复杂低光照条件下同时实现高识别精度和计算效率的检测框架。近年来,提出了许多针对低光照场景的物体检测方法,这些方法可以分为两大类。第一类是传统的图像增强技术,如直方图均衡化和滤波,这些技术被用来提高低光照图像的对比度和亮度,从而增强检测性能[5]、[6]。然而,这些方法往往未能充分考虑物体检测的特定任务特性,包括目标大小和形状的变化,导致增强效果有限。另一类方法是基于深度学习的方法。近年来,出现了许多先进的低光照物体检测算法[10]、[11]、[12]、[13],这些算法在低光照环境中识别车辆和行人方面表现出有效性。然而,由于这些算法忽略了低光照条件下丰富的隐藏信息,其性能仍有局限。袁等人提出的IF-USOD架构[7]有效解决了水下显著物体检测中的定位精度低和细节丢失问题。然而,它仅专注于水下场景,未能利用物体在低光照环境中的局部隐藏细节和光分布规律,难以适应低光照物体检测的要求。蒋等人[52]使用对抗损失和感知损失优化了图像视觉质量,但他们忽略了低光照条件下光分布与物体特征之间的相关性。这种忽视导致路灯和阴影之间的过渡区域光梯度信息被破坏——这对检测网络区分物体边缘和背景噪声至关重要——从而干扰了后续的检测过程。范等人提出的LUD-YOLO网络成功解决了小型物体检测精度低和无人机场景中复杂背景干扰的问题。然而,它缺乏专门用于挖掘低光照环境中隐藏信息的模块,且未能利用低光照下小型物体的微弱纹理特征,导致在极低光照条件下无法有效检测小型物体。王等人通过结合DCGAN和Faster R-CNN[9]提高了低光照检测性能。然而,在追求视觉平滑性的过程中,他们的方法模糊了低光照下小型物体的隐藏细节,使得检测网络难以捕捉关键特征,最终增加了低光照场景中小型物体的漏检率。
尽管这些低光照算法在物体检测任务中取得了良好的结果,但在模块设计上仍存在不足。具体来说:基于传统图像增强技术(如直方图均衡化和滤波)的检测算法仅在物理变换层面进行操作,未能学习到更多的图像特征。此外,它们没有考虑光照和反射成分的协同优化,导致恢复效果不佳。其次,基于深度学习的方法虽然受益于神经网络,但忽略了低光照环境中存在的大量隐藏信息。这些方法需要大量的标注数据进行训练,并且模型参数众多,需要大量的计算资源和训练时间,这大大影响了检测效率和实时性能。此外,随着网络深度的增加,空间层次信息会严重丢失。
为了解决上述问题,本文提出了一种自适应的低光照增强和检测模型DeC-YOLO,旨在解决低光照条件下的物体检测关键挑战。在图像增强方面,通过在预训练期间结合设计的DeNet,DeNet模块通过动态自适应对比度重建网络(DACR Net)学习图像反射成分的对比度特征信息。随后,使用多尺度光照补偿(MICM)自适应调整光照成分,抑制了低光照下的目标特征退化问题,并提高了图像细节质量。在检测网络中,引入了设计的CoDT-FPN,以缓解空间语义丢失问题,提高细节特征的感知能力,并同时减少参数数量。使用ExDark、VisDrone和Darkface数据集进行案例分析,并通过消融实验验证了改进模块的有效性。实验结果表明,DeC-YOLO模型在低光照条件下的物体检测精度和计算效率方面均优于基线模型,突显了其在实际低光照场景中的潜力和应用价值。本研究的主要贡献如下:
  • (1)
    在图像增强领域,设计了一个动态增强网络DeNet。通过利用提出的多尺度光照补偿模块,根据动态自适应对比度重建网络学习的反射成分的对比度特征信息,对光照成分进行自适应调整,有效抑制了低光照区域的特征退化现象;
  • (2)
    在物体检测方面,构建了CoDT-FPN。通过空间注意力机制和通道注意力机制的协同优化,在低光照条件下实现了目标细节信息的跨尺度特征重用和融合。这缓解了空间语义信息丢失问题,提高了细节特征的感知能力,同时减少了模型参数数量,并提高了检测效率;
  • (3)
    使用三个不同的光照数据集(ExDark、VisDrone和Darkface)进行训练,提高了模型的泛化能力和鲁棒性,使其能够更好地处理不同光照条件下的物体检测任务。

章节片段

物体检测

目前,主流的物体检测方法主要分为一类、两类和基于Transformer的方法。
一类:物体检测的发展面临效率和适应性挑战。SSD[14]通过特征图上的并行预测实现多目标处理,但其多分支架构增加了参数,限制了实时性能。RetinaNet[15]引入了Focal Loss来处理类别不平衡问题,需要复杂的资源进行多级处理

YOLOv8

作为单阶段检测算法的代表,YOLOv8在实时性能和精度之间取得了平衡,并广泛应用于多尺度和小型目标的检测。它有五个版本:YOLOv8n、YOLOv8m、YOLOv8s、YOLOv8l和YOLOv8x。这些模型之间的性能差异如表1所示。
如表1所示,在这五个模型中,YOLOv8n的检测速度优于其他基线模型,并且具有最少的GFLOPs和参数

数据集

本研究使用ExDark、VisDrone、Darkface和LOL数据集有效验证了DeC-YOLO模型。ExDark是主要数据集,其图像是在夜间、阴影中或在受控光照条件下拍摄的。它涵盖了从接近黑暗到微弱光的各种光照强度,可以分为极低光照、低光照和微弱光三类。

结论

为了解决低光照环境中由于光照衰减引起的视觉特征退化和空间语义信息丢失问题,本文提出了DeC-YOLO模型。该模型实现了光照补偿和对比度协调之间的平衡。使用ExDark和VisDrone数据集验证了模型的优越性,并通过消融实验确认了改进模块的有效性。得出以下结论:
  • (1)
  • CRediT作者贡献声明

    李彪:撰写——审阅与编辑,撰写——原始草稿,软件,方法论,正式分析。 王冰:撰写——审阅与编辑,可视化,验证,监督,软件,资源,项目管理,方法论,调查。 胡雄:可视化,验证,监督,软件,资源,项目管理,方法论,调查,资金获取,正式分析,数据整理,概念化。

    利益冲突声明

    作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。

    致谢

    本研究得到了国家高技术研究发展计划(2013AA041106)、国家自然科学基金(62073213)、中国博士后科学基金(2014 M561458)、中国自然科学基金(23ZR1426700)、上海工程技术研究中心建设项目(20DZ2253300)的资助。
    相关新闻
    生物通微信公众号
    微信
    新浪微博
    • 搜索
    • 国际
    • 国内
    • 人物
    • 产业
    • 热点
    • 科普

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号