YOLOv5改进 | 主干篇 | 低照度增强网络Retinexformer改进黑夜目标检测 （2023.11最新成果，全网独家首发）

最新推荐文章于 2025-02-03 20:40:37 发布
最新推荐文章于 2025-02-03 20:40:37 发布
阅读量1.4k 收藏 8
点赞数 13
分类专栏： YOLOv5改进有效专栏 文章标签： YOLO 目标检测 人工智能 计算机视觉 深度学习 python pytorch
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/135710221
版权
本文介绍了Retinexformer，一种针对黑夜目标检测的低照度图像增强网络，它通过一阶段Retinex-based框架结合照明信息估计和恢复，提高图像质量。Retinexformer的核心是照明引导的变换器，能有效增强低光图像。文章详细讲解了Retinexformer的框架原理、核心代码和添加到YOLOv5的步骤，并提供了训练过程截图。

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Retinexformer，其是由今年最新发布的针对于黑夜目标检测的改进机制（非常适合大家用来发表论文），其主要思想是通过一种新颖的一阶段Retinex-based框架来增强低光图像。这个框架结合了照明信息的估计和损坏恢复，目的是提高低光图像的质量。核心在于照明引导的变换器，这种变换器使用照明信息来引导长期依赖性的建模，从而在不同照明条件下更好地处理图像。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！

下图展示了Retinexformer相对于各种图像增强网络的对比效果 ，最新版本的Retinexformer在各种场景都表现的很优秀，该网络的GFLOPs为18.4，参数量为308w在低照度网络中是非常小的。

专栏目录：YOLOv5改进有效涨点目录 | 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制

专栏回顾：YOLOv5改进专栏——持续复现各种顶会内容——内含100+创新

目录

 一、本文介绍

二、 Retinexformer的框架原理

三、 Retinexformer的核心代码

四、Retinexformer的添加方式 

4.1 修改一

4.2 修改二 

4.3 修改三 

关闭混合精度验证！

打印计算量的问题！

五、Retinexformer的yaml文件和运行记录

了解本专栏 订阅专栏 解锁全文
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。
【YOLOv8改进[Backbone]】使用SCINet改进YOLOv8在黑暗环境的目标检测效果
静谧、淡雅
05-08 2752
使用SCINet改进YOLOv8在黑暗环境的目标检测效果
ICCV 2023 | Retinexformer 暗光增强，图像恢复最新sota，清华大学联合ETH等开源
idol24的博客
09-27 2865
本文编辑 新智元 编辑：LRS【新智元导读】全面超越暗光增强sota模型，Retinexformer架构端到端、单阶段解决过曝、伪影、低光等问题！在增强弱光图像时，许多深度学习算法都是基于Retinex理论的，不过Retinex模型没有考虑隐藏在黑暗中或由点亮过程引入的损坏。此外，这些方法通常需要繁琐的多阶段训练管道，并依赖于卷积神经网络，在捕获长期依赖性方面存在局限性。来自清华大学、维尔茨堡大...
【Retinexformer: One-stage Retinex-based Transformer for Low-light Image Enhancement】
weixin_45914567的博客
01-23 2679
在增强弱光图像时，许多深度学习算法都是基于Retinex理论的。然而，Retinex模型没有考虑隐藏在黑暗中或由点亮过程引入的损坏。此外，这些方法通常需要繁琐的多阶段训练管道，并依赖于卷积神经网络，这表明在捕获长程依赖性方面存在局限性。在本文中，我们提出了一个简单而有原则的基于Retinex的一阶段框架（ORF）。ORF首先估计照明信息以点亮低光图像，然后恢复损坏以产生增强图像。我们设计了一种照明引导变换器（IGT），该变换器利用照明表示来指导具有不同照明条件的区域的非局部交互的建模。
对着代码看Retinexformer
2202_76009199的博客
11-15 460
显然上面的图有点不够直观，而后经过一个卷积层，将输入特征图的通道数从4转化为n_fea_middle，再经过一个5*5的深度卷积层，使用groups=n_fea_in表示每个通道的输入都有自己的卷积核，存在padding，输出通道数和输入通道数相同。再通过第二个卷积层，将中间特征图的通道数转化为n_fea_out,在代码中是3，得到的形状是b,3,h,w在图中表示的就是Light-up Map。输入图像为b,3,h,w形状，计算每个通道上的均值得到mean_c为b,1,h,w，表示每个像素的平均亮度。
YOLOv8改进有效系列目录 | 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制
热门推荐
Snu77的博客
12-30 15万+
Hello，各位读者们好，本专栏自开设两个月以来已经更新改进教程120+余篇其中包含C2f、主干、检测头、注意力机制、Neck多种结构上创新，也有损失函数和一些细节点上的创新，订阅本专栏以后你不仅可以收获跟专栏的阅读权限，同时可以进Qq群，里面包含集成我所有创新的YOLO最新目录，和我本人录制的视频讲解教程，如果你想要在YOLOv8系列收获一篇论文，我相信订阅本专栏后你一定会有所收获~YOLOv8改进有效系列目录。
YOLOv5改进有效涨点目录 | 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制
Snu77的博客
01-07 2万+
Hello，各位读者们好本专栏自开设两个月以来已经更新改进教程60余篇其中包含C2f、主干、检测头、注意力机制、Neck多种结构上创新，也有损失函数和一些细节点上的创新。同时本人一些讲解视频和包含我所有创新的YOLOv8文档并不能在优快云上传(所有的创新点都经过我的测试是可用的，得到该文件之后大家可以随意组合使用)，所以会建立群的形式在内上传我的文件和视频我也会在群内不定期和大家交流回答大家问题，同时定期会更新一些文章的创新点(经过我融合测试后的，先到先得)。本专栏持续更新网络上的所有前沿文章。
YOLOv9改进策略目录 | 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制
Snu77的博客
05-13 1万+
Hello，各位读者们好本专栏自开设两个月以来已经更新改进教程50余篇其中包含RepNCSPELAN4、主干、检测头、注意力机制、Neck多种结构上创新，也有损失函数和一些细节点上的创新。同时本人一些讲解视频和包含我所有创新的YOLOv9文档并不能在优快云上传(所有的创新点都经过我的测试是可用的，得到该文件之后大家可以随意组合使用)，所以会建立群的形式在内上传我的文件和视频我也会在群内不定期和大家交流回答大家问题，同时定期会更新一些文章的创新点(经过我融合测试后的，先到先得)。
YOLOv8改进有效系列目录 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制_如何在网络结构中添加注意力机制、c2f
2401_85123508的博客
06-11 1825
独家创新篇 | 利用轻量化PartialConv提出一种全新的结构CSPPC (参数量下降约100W)]( )：YOLOv8改进 | 独家创新篇 | 利用轻量化PartialConv提出一种全新的结构CSPPC (参数量下降约100W)")**
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。
YOLOv8改进 | 主干篇 | 低照度图像增强网络SCINet改进黑暗目标检测
走向CTO的路上...
09-08 1183
本文介绍了如何利用低照度图像增强网络SCINet改进YOLOv8模型的黑暗目标检测性能。SCINet可以有效地增强低照度图像的质量，从而提高目标检测的精度。本文提出了一种利用SCINet网络改进YOLOv8模型的黑暗目标检测方法。该方法可以有效地提高YOLOv8在低照度条件下的检测精度。
番外篇 | YOLOv8改进之利用SCINet解决黑夜目标检测问题 | 低照度图像增强网络
突然好想你
05-10 2350
自校正照明网络（Self-Calibrating Illumination Network, SCINet）是一种基于深度学习的图像照明算法，可以自动分析图像的内容并根据图像内容自动优化照明。本文所做的改进是利用SCINet解决黑夜目标检测问题。🌈
创新黑暗目标检测方案 | SCINet嵌入YOLOv8主干网络提升检测性能【附涨点保姆级代码】
一键难忘的博客
10-28 2943
SCINet是一种深度学习网络，能够通过多尺度特征提取和对比度优化来增强图像。其结构包括卷积、批归一化和激活函数等组件，专门处理低光条件下的图像。YOLOv8由三部分构成：主干网络、特征金字塔和检测头。主干网络用于提取不同层级的图像特征，是YOLOv8性能的关键所在。
Toward Fast, Flexible, and Robust Low-Light Image Enhancement(实现快速、灵活和稳健的弱光图像增强)CVPR2022
qq_54828577的博客
07-26 5811
现有的低照度图像增强技术大多不仅难以处理视觉质量和计算效率，而且在未知的复杂场景中普遍无效。在本文中，我们开发了一个新的自我校准光照（SCI）学习框架，用于在现实世界的低光照场景中快速、灵活和稳健地提高图像亮度。具体来说，我们建立了一个具有权重共享的级联照度学习过程来处理这项任务。考虑到级联模式的计算负担，我们构建了自校准模块，实现了每个阶段的结果之间的收敛，产生了只使用单一基本块进行推理的收益（但在以前的工作中没有利用），这大大降低了计算成本。......
在低光环境下使用YOLOv5进行目标检测及UI界面集成
最新发布
m0_52343631的博客
02-03 429
深度学习是一类通过神经网络模型来模拟人脑工作原理的技术。它能够处理大量数据并自动从中提取特征，广泛应用于计算机视觉、语音识别、自然语言处理等领域。目标检测作为计算机视觉中的一项重要任务，目的是检测图像中的特定目标并定位它们。
YOLOv5的低照度场景下的行人检测算法【附代码】
坷拉博士
09-24 634
首先，本文提出了一种基于YOLOv5-RCD的低照度行人检测算法。此外，考虑到目标检测中的分类任务和回归任务之间的冲突，本文设计了一种轻量化的解耦头，这使得网络在进行任务时能更为高效。最终在公开的ExDark数据集上进行的实验结果验证了MV-YOLO算法的有效性，mAP@0.5的提升达到7.6%，而mAP@0.5:0.95的提升为5.9%。因此，低照度行人检测技术的应用显得尤为必要，不仅能够提高行人的安全性，减少事故发生，还能为自动驾驶、机器人导航和智能监控等系统提供更强的感知能力，增强其安全性和可靠性。
Retinexformer: One-stage Retinex-based Transformer for Low-light Image Enhancement
u013049912的博客
11-20 2118
在增强低光图像时，许多深度学习算法都是基于 Retinex 理论。然而，Retinex 模型没有考虑隐藏在黑暗中或由点亮过程引入的损坏。此外，这些方法通常需要繁琐的多阶段训练流程，并依赖于卷积神经网络，在捕获远程依赖性方面表现出局限性。在本文中，我们制定了一个简单但有原则的基于 Retinex 的单阶段框架（ORF）。ORF 首先估计照明信息以照亮低光图像，然后恢复损坏以生成增强的图像。我们设计了一个照明引导变压器（IGT），它利用照明表示来指导不同照明条件下区域的非局部交互的建模。
YOLOv5低照度场景行人检测毕业论文【附代码+数据】
坷拉博士
10-23 897
此外，针对目标检测分类任务和回归任务之间的冲突问题，本文提出了一种轻量化的解耦头，将分类和回归任务分离，减少了任务间的干扰，提高了模型的检测精度。最后，本文在公开的ExDark数据集上进行了实验验证，实验结果显示，MV-YOLO算法在低照度场景下的行人检测中表现优异，mAP@0.5提升了7.6%，mAP@0.5:0.95提升了5.9%，表明该算法在低照度场景下的行人检测中具有显著优势。行人检测模块采用本文提出的基于YOLOv5-RCD或MV-YOLO的算法，对预处理后的图像进行行人检测，输出检测结果。
目标检测算法——YOLOv5改进|增加小目标检测层
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
06-01 5万+
1.YOLOv5算法简介YOLOv5主要由输入端、Backone、Neck以及Prediction四部分组成。其中：(1) Backbone：在不同图像细粒度上聚合并形成图像特征的卷积神经网络。(2) Neck：一系列混合和组合图像特征的网络层，并将图像特征传递到预测层。(3) Head： 对图像特征进行预测，生成边界框和并预测类别。检测框架：2.原始YOLOv5模型 若输入图像尺寸=640X640，# P3/8 对应的检测特征图大小为80X80，用于检测大小在8X8以上的目标。# P4/16对应的检测
yolov8改进 | 主干篇 | 低照度增强网络pe-yolo改进主干
02-06
YOLOv8是目标检测领域中的一种经典算法，其以速度快和准确性高而受到广泛关注。在YOLOv8的主干网络上，我们可以进行一些改进来提升其在低照度环境下的性能。 低照度条件下，图像通常会受到噪声的影响，目标的细节和边缘信息可能会被模糊或者丢失，导致目标检测精度受到影响。为了克服这个问题，我们可以引入低照度增强网络来对输入图像进行预处理。低照度增强网络可以根据图像的特点对其进行自适应地增强，提升图像的亮度和对比度，减少噪声的干扰。这样可以使得图像中的目标更加清晰可见，有助于提高YOLOv8的检测精度。 在主干网络的选择方面，我们可以考虑使用Pe-YOLO来替代YOLOv8原有的主干网络。Pe-YOLO是一种经过优化的主干网络，其在保持YOLOv8原有速度优势的同时，能够提升在低照度环境下目标检测的性能。Pe-YOLO采用了一些先进的网络结构和设计技巧，例如注意力机制和残差连接，使得主干网络具有更好的图像特征提取能力和抗干扰能力。 通过将Pe-YOLO用于YOLOv8的主干网络，可以加强对低照度环境下目标的探测能力，提升检测的准确率和鲁棒性。此外，我们还可以对Pe-YOLO进行训练，使其能够更好地适应低照度条件下目标的特征，进一步加强目标检测的效果。 总结而言，yolov8改进中的主干篇，我们可以通过引入低照度增强网络和选择Pe-YOLO作为主干网络来提升在低照度环境下的目标检测性能。这些改进可以有效地减少噪声干扰，提高目标的可见性，在大幅度提升速度的同时，保证准确率和鲁棒性，使得yolov8在低照度条件下仍能取得出色的检测效果。
评论 3
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