YOLOv8改进 | 主干篇 | 低照度增强网络PE-YOLO改进主干（改进暗光条件下的物体检测模型）

已于 2024-02-20 17:45:15 修改
阅读量6.4k 收藏 34
点赞数 13
分类专栏： YOLOv8有效涨点专栏 文章标签： YOLO 深度学习 人工智能 pytorch 计算机视觉 python 目标检测
于 2024-01-17 07:30:00 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/java1314777/article/details/135637494
版权
本文介绍了PE-YOLO，一种针对暗光环境的物体检测模型，通过PENet增强图像细节和低频信息。PE-YOLO结合了YOLOv3和PENet，包含DPM和LEF模块，提升低照度条件下的检测性能。文章详细讲解了PENet、DPM和LEF的工作原理，并提供了核心代码修改和运行记录。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

一、本文介绍

本文给大家带来的改进机制是低照度图像增强网络PE-YOLO中的PENet，PENet通过拉普拉斯金字塔将图像分解成多个分辨率的组件，增强图像细节和低频信息。它包括一个细节处理模块（DPM），用于通过上下文分支和边缘分支增强图像细节，以及一个低频增强滤波器（LEF），以捕获低频语义并减少高频噪声。同时该网络的发布版本并不完善，存在二次创新的机会，后期我会将其网络进行二次创新，增强低照度的检测性能。同时该网络发布版本存在Bug我也已经修复。欢迎大家订阅本专栏，本专栏每周更新3-5篇最新机制，更有包含我所有改进的文件和交流群提供给大家。

欢迎大家订阅我的专栏一起学习YOLO！

专栏回顾：YOLOv8改进系列专栏——本专栏持续复习各种顶会内容——科研必备     

目录

一、本文介绍

二、PE-YOLO算法原理

2.1   PE-YOLO的基本原理

 2.2 金字塔增强网络

2.3 细节处理模块

了解本专栏 订阅专栏 解锁全文
YOLOv8结合SCI低光照图像增强算法！让夜晚目标无处遁形！
weixin_39818775的博客
06-01 2306
本篇介绍如何将SCI低光照图像增强算法与YOLOv8目标检测算法结合起来，以提升夜晚目标检测性能。该方法在增强图像亮度和对比度的同时，保持了图像细节，使得YOLOv8能够更准确地识别和定位夜晚目标。该方法将SCI低光照图像增强算法与YOLOv8目标检测算法结合起来，有效地提升了夜晚目标检测性能，具有广阔的应用前景。
深度学习论文: PE-YOLO: Pyramid Enhancement Network for Dark Object Detection及其PyTorch实现
mingo_敏
09-11 1114
当前的目标检测模型在许多基准数据集上取得了良好的结果，但在暗条件下检测物体仍然是一个巨大的挑战。为了解决这个问题，我们提出了一个金字塔增强网络（PENet），并将其与YOLOv3结合起来构建一个名为PE-YOLO的暗物体检测框架。首先，PENet使用拉普拉斯金字塔将图像分解为四个不同分辨率的组件。具体来说，我们提出了一个细节处理模块（DPM）来增强图像的细节，它由上下文分支和边缘分支组成。此外，我们提出了一个低频增强滤波器（LEF）来捕捉低频语义并防止高频噪声。
PE-YOLO: Pyramid Enhancement Network for Dark Object Detection
Kingchenchen2199的博客
09-15 675
目标检测在不利的条件下（黑暗环境）性能较低，为此，本文提出了一个金字塔增强网络（PENet），并将其与YOLOv3联合起来，构建了一个名为PE-YOLO的暗目标检测框架。在精度和准确度PE-YOLO都得到了大幅度的提升。LEF（丰富重构图像的语义）。假设分量为f∈Rh×w×3，我们首先通过卷积层将其转换为f∈Rh×w×32。使用一个动态低通滤波器来捕获低频信息，并且我们使用平均池化来进行特征滤波，这只允许低于截止频率的信息通过。不同语义下的低频阈值是不同的。
PE-YOLO: Pyramid Enhancement Network for Dark Object Detection——论文笔记
wyj2228785069的博客
01-20 1833
PE-YOLO论文阅读
【YOLOv10改进[暗黑场景]】低照度图像增强网络 | 使用PENet(2023.7)改进暗光条件下的物体检测效果 + 含全部代码和详细修改方式 + 手撕结构图
静谧、淡雅
08-13 683
【YOLOv10改进[暗黑场景]】低照度图像增强网络 | 使用PENet(2023.7)改进暗光条件下的物体检测效果 + 含全部代码和详细修改方式 + 手撕结构图
YOLOv5改进 | 主干篇 | 低照度增强网络PE-YOLO改进主干（改进暗光条件下的物体检测）
Snu77的博客
01-21 1773
本文给大家带来的改进机制是低照度图像增强网络PE-YOLO中的PENet，PENet通过拉普拉斯金字塔将图像分解成多个分辨率的组件，增强图像细节和低频信息。它包括一个细节处理模块（DPM），用于通过上下文分支和边缘分支增强图像细节，以及一个低频增强滤波器（LEF），以捕获低频语义并减少高频噪声。同时该网络的发布版本并不完善，存在二次创新的机会，后期我会将其网络进行二次创新，增强低照度的检测性能。同时该网络发布版本存在Bug我也已经修复。
YOLOv10改进 | 特殊场景检测篇 | 低照度增强网络PE-YOLO改进主干（改进暗光条件下的物体检测模型）
Snu77的博客
07-09 1643
本文给大家带来的改进机制是低照度图像增强网络PE-YOLO中的PENet，PENet通过拉普拉斯金字塔将图像分解成多个分辨率的组件，增强图像细节和低频信息。它包括一个细节处理模块（DPM），用于通过上下文分支和边缘分支增强图像细节，以及一个低频增强滤波器（LEF），以捕获低频语义并减少高频噪声。同时该网络的发布版本并不完善，存在二次创新的机会，后期我会将其网络进行二次创新，增强低照度的检测性能。同时该网络发布版本存在Bug我也已经修复。
YOLOv8改进 | 主干篇 | 低照度增强网络PE-YOLO改进主干
走向CTO的路上...
09-12 1185
本文介绍了一种利用低照度增强网络PE-YOLO改进YOLOv8模型主干网络的方法，以提高模型在暗光条件下的物体检测性能。该方法在COCO数据集的低照度子集上取得了显著的精度提升。本文介绍了一种利用低照度增强网络PE-YOLO改进YOLOv8模型主干网络的方法，以提高模型在暗光条件下的物体检测性能。该方法在COCO数据集的低照度子集上取得了显著的精度提升。
YOLOv8改进 | 主干篇 | 轻量级的低照度图像增强网络IAT改进YOLOv8暗光检测（全网独家首发）
Snu77的博客
03-08 6983
本文给大家带来的改进机制是轻量级的变换器模型：Illumination Adaptive Transformer (IAT)，用于图像增强和曝光校正。其基本原理是通过分解图像信号处理器（ISP）管道到局部和全局图像组件，从而恢复在低光或过/欠曝光条件下的正常光照sRGB图像。具体来说，IAT使用注意力查询来表示和调整ISP相关参数，例如颜色校正、伽马校正。模型具有约90k参数和约0.004s的处理速度，能够在低光增强和曝光校正的基准数据集上持续实现优于最新技术（State-of-The-Art, SOTA）
无惧暗光！| PE-YOLO: 夜视环境物体检测新突破（附源码实现）
专注计算机视觉全栈知识分享
08-12 2337
PE-YOLO 是一种新颖的暗环境物体检测框架，该框架整合了金字塔增强网络（PENet）和YOLOv3。为了解决在暗光条件下图像可见性差的问题，该方法使用拉普拉斯金字塔将图像分解为具有不同分辨率的多个组件。然后，利用新提出的详细处理模块（DPM）和低频增强滤波器（LEF）增强这些组件的详细信息和低频信息。PE-YOLO以端到端的方式进行训练，无需额外的损失函数。通过在ExDark数据集上进行的实验，PE-YOLO相较于其他的低光照增强模型和暗光物体检测器，显示出了最佳的性能。
【目标检测】——PE-YOLO精读
怡宝2号
10-06 2236
卷积神经网络（CNNs）在近年来如何推动了物体检测的发展。许多检测器已经被提出，而且在许多基准数据集上的性能正在不断提高。然而，大多数现有的检测器都是在正常条件下对高质量图像进行研究。在真实环境中，经常会出现许多糟糕的光照条件，如夜晚、暗光和曝光过度，这些条件会降低图像的质量，影响检测器的性能。前人的解决方案：…略本文采用了金字塔增强网络（PENet）和YOLOv3。首先，PENet使用拉普拉斯金字塔将图像分解为四个不同分辨率的组件。
PE-YOLO：解决黑夜中的目标检测难点
gzq0723的博客
08-07 489
点击蓝字 关注我们关注并星标从此不迷路计算机视觉研究院公众号ID｜计算机视觉研究院学习群｜扫码在主页获取加入方式计算机视觉研究院专栏Column of Computer Vision Institute目前的目标检测模型在许多基准数据集上都取得了良好的效果，在夜晚或者黑暗条件下检测目标仍然是一个巨大的挑战。01简介为了解决这个问题，有研究者提出了一个金字塔增强网络（pyramid enhanced...
目标检测-击穿黑夜的PE-YOLO
记录学习的小白
07-28 3050
近年来，卷积神经网络（CNN）的出现推动了目标检测领域的发展。大量的检测器被提出，针对基准数据集的性能也取得了令人满意的结果。然而，大多数现有的检测器都是在高质量图像和正常条件下进行研究的。而在实际环境中，往往存在许多恶劣的光照条件，如夜晚、暗光和曝光不足，导致图像质量下降，从而影响了检测器的性能。视觉感知模型使得自动系统能够理解环境并为后续任务（如轨迹规划）奠定基础，这需要一个稳健的目标检测或语义分割模型。图1是一个暗光目标检测的示例。
【读点论文】PP-YOLOE: An evolved version of YOLO，面向友好部署的模型设计，为项目后续产业落地提供了更加有效的参考
白水空空
07-28 1218
与ResNet类似，我们的主干名为CSPRepResNet，包含一个由三个卷积层组成的主干，以及由我们的RepResBlock堆叠的四个后续阶段，如上图(d)所示。让网络的这两个部分同时进行训练，因为加载的backbone模型已经具有提取特征的能力了，在我们的训练过程中，会对他进行微调，使得其更适合于我们自己的任务。在本报告中，我们提出了PPYOLOv2的几个更新，包括可扩展的主干颈架构，高效的任务对齐头，先进的标签分配策略和改进的目标损失函数，形成了一系列高性能的目标检测器，称为PP-YOLOE。
CVPR PE-YOLO文章翻译
最新发布
我不想CV的博客
02-28 715
PENet通过拉普拉斯金字塔将图像分解为不同分辨率的分量。在PENet中，我们通过提出的细节处理模块（DPM）和低频增强滤波器（LEF）。增强了每个量表的组成部分将图像I∈Rh×w×3定义为输入，我们使用高斯金字塔获得不同分辨率的子图像。其中Down表示下采样，Gaussian表示高斯滤波器，高斯核的大小为5×5。每次高斯金字塔操作后，图像的宽度和高度减半，这意味着分辨率是原始的14。显然，高斯金字塔的下采样操作是不可逆的。
YOLOv8改进 | 主干篇 | 低照度图像增强网络SCINet改进黑暗目标检测（全网独家首发）
Snu77的博客
01-21 4866
到此本文的正式分享内容就结束了，在这里给大家推荐我的YOLOv8改进有效涨点专栏，本专栏目前为新开的平均质量分98分，后期我会根据各种最新的前沿顶会进行论文复现，也会对一些老的改进机制进行补充，如果大家觉得本文帮助到你了，订阅本专栏，关注后续更多的更新~YOLOv8改进系列专栏——本专栏持续复习各种顶会内容——科研必备。
【计算机视觉 | 目标检测】arxiv 计算机视觉关于目标检测的学术速递（7 月 21 日论文合集）
wzk4869的博客
07-23 1078
【计算机视觉 | 目标检测】arxiv 计算机视觉关于目标检测的学术速递（7 月 21 日论文合集）
# http://localhost/api7/xxx -> http://localhost:8080/haha/xxx
04-16
你可以使用Python中的字符串操作和正则表达式来实现将"http://localhost/api7/xxx"转换为"http://:8080/haha/xxx?"的功能。下面是一个示例代码： ```python import re def convert_url(url): # 使用正则表达式匹配出主机名和路径 pattern = r"http://(.*?)/(.*?)$ match = re.match(pattern, url) match: host = match.group(1) path match.group(2) # 构造新的URL _url = f"http://{host}:8080/h/{path}?" return new_url else: return "URL格式不正确" # 测试示例 url = "http://localhost/api7/xxx" new_url = convert_url(url) print(new_url) # 输出：://localhost:8080/haha/xxx? ``` 这段代码使用了正则表达式来配URL中的主机名和路径，并使用f-string来构造新的URL。你可以将需要转换的URL传入`convert_url`函数中，然后获取转换后的URL。
评论 15
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Snu77

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值