YOLOv10改进 | 特殊场景检测篇 | 低照度图像增强网络SCINet改进黑暗目标检测（全网独家首发）

已于 2024-07-11 00:11:30 修改
阅读量976 收藏 5
点赞数 3
分类专栏： YOLOv10有效涨点专栏 文章标签： YOLO 目标检测 人工智能 深度学习 计算机视觉 python YOLOv10
于 2024-07-11 00:10:44 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/140164413
版权

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SCINet，SCINet（自校正照明网络）是一种专为低光照图像增强设计的框架。它通过级联照明学习过程和权重共享机制来处理图像，优化了照明部分以提升图像质量。我将该网络集成在YOLOv10的主干上针对于图像的输入进行增强，同时该网络的并不会增加参数和计算量，基本和普通的网络结构保持一致，同时该结构支持自定义调节层数，来控制图像增强的效果 ，非常适合想要在黑夜目标检测领域发表文章的读者，该基本网络不会影响模型的速度。

欢迎大家订阅我的专栏一起学习YOLO！  

 专栏回顾：YOLOv10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、SCINet原理

2.2  SCINet原理

2.3  级联照明学习与权重共享

三、SCINet的核心代码

四、SCINet的添加方式 

4.1 修改一

4.2 修改二 

4.3 修改三 

4.4 修改四 

五、SCINet的yaml文件和运行记录

5.

了解本专栏 订阅专栏 解锁全文
【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
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 2348
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。🌈
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 1182
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。
无监督低照度图像增强网络ZeroDCE和SCI介绍
10-24 6046
无监督，SCI，zero-DCE，图像增强
YOLOv11改进 | 特殊场景检测篇 | 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
11-04 1391
本文给大家带来的改进机制是低照度图像增强网络SCINet，SCINet（自校正照明网络）是一种专为低光照图像增强设计的框架。它通过级联照明学习过程和权重共享机制来处理图像，优化了照明部分以提升图像质量。我将该网络集成在YOLOv11的主干上针对于图像的输入进行增强，同时该网络的并不会增加参数和计算量，基本和普通的网络结构保持一致，同时该结构支持自定义调节层数，来控制图像增强的效果 ，非常适合想要在黑夜目标检测领域发表文章的读者，该基本网络不会影响模型的速度。欢迎大家订阅我的专栏一起学习YOLO！
YOLOv5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
01-23 2387
本文给大家带来的改进机制是低照度图像增强网络SCINet，SCINet（自校正照明网络）是一种专为低光照图像增强设计的框架。它通过级联照明学习过程和权重共享机制来处理图像，优化了照明部分以提升图像质量。我将该网络集成在YOLOv5的主干上针对于图像的输入进行增强，同时该网络的并不会增加参数和计算量，基本和普通的网络结构保持一致，同时该结构支持自定义调节层数，来控制图像增强的效果 ，非常适合想要在黑夜目标检测领域发表文章的读者，该基本网络不会影响模型的速度。
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。
YOLOv10改进 | 特殊场景检测篇 | 轻量级的低照度图像增强网络IAT改进YOLOv10暗光检测（全网独家首发）
Snu77的博客
07-11 4万+
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）
【低照度图像增强系列（4）】SCI算法详解与代码实现（CVPR 2022|大连理工）
路人贾的博客
01-18 7972
低照度图像增强系列（4）——SCI算法详解与代码实现
YOLOv8 升级之路：主干网络嵌入 SCINet，优化黑暗环境目标检测
shrgegrb的博客
06-07 1127
本文提出了一种基于SCINet低照度增强的YOLOv8改进方法，通过样本条件实例归一化动态调整网络对低照度图像的响应。实验表明，该方法在ExDark数据集上显著提升了检测性能（mAP@0.5提高21.3%），同时保持实时处理能力（FPS 85）。关键创新在于将轻量化的SCINet作为前置网络，采用两阶段训练策略：先单独训练增强网络，再联合微调检测模型。相比传统增强方法，该方案更好地平衡了图像质量改善与检测精度提升。
实战：如何用SCINet增强YOLOv8在低照度下的目标检测性能（附完整代码）
shrgegrb的博客
06-08 1275
本文提出了一种将SCINet低照度增强网络集成到YOLOv8目标检测模型的方法，以提升黑暗环境下的检测性能。SCINet通过多尺度特征交互、自适应校正和噪声抑制模块有效增强低照度图像质量。实验在ExDark和DarkFace数据集上验证，结果显示SCINet增强的YOLOv8在mAP@0.5达到0.623，显著优于原始模型（0.412）和传统增强方法，同时保持105FPS的实时性能。关键实现包括SCINet核心模块的注意力机制和特征交互设计，以及与YOLOv8的端到端集成方案。该方法为低照度环境下的目标检测
[魔改]YOLOv10 目录 | 改进包括Backbone、Neck、Head、注意力、Conv、损失函数和具体的场景应用等 | 手撕结构图 | 全部代码+详细修改方式
静谧、淡雅
06-05 7896
YOLOv10的基础以及魔改的方法 - 总目录
深度学习弱光图像增强入门学习贴及相关可参考工作推荐
m0_57628341的博客
01-16 1651
先表明身份，在过去三年的时间里，发表弱光图像增强的SCI工作多篇，后续会在Github的代码库构建好之后，分享代码链接，欢迎关注（由于工作过于垃圾，因此咱还是以大佬的工作作为参考首先，弱光图像增强，就是把暗。这里有一个很大的误区，就是，而是把亮度提高的同时，必须保证的一致，同时！并且也必须优秀！因此，弱光图像增强其实还是挺有难度的。接下来，我们将分块进行弱光图像-深度的学习。
YOLOv3 正负样本划分详解
guoguozgw的博客
06-15 577
条件是否为正样本anchor 与 GT 的 IoU 最大✅ 强制标记为正样本anchor 与 GT 的 IoU > iou_threshold（如 0.5）✅ 可选标记为正样本无任何 GT 与其重叠❌ 负样本仅部分重叠但不是最大匹配❌ 忽略（不参与位置损失）⚠️ 注意：只有负责预测真实框的 bounding box 才会参与位置回归（tx, ty, tw, th）和类别概率（class probs）的损失计算。该 bounding box不负责预测任何真实框；
使用YOLOv8结合DeepSORT实现人物追踪和体态检测
irisMoon06的博客
06-16 95
【代码】使用YOLOv8结合DeepSORT实现人物追踪和体态检测。
YOLOv8新突破：FASFFHead多尺度检测的极致探索
shrgegrb的博客
06-14 590
摘要：本文提出一种创新的辅助特征融合检测头FASFFHead，用于改进YOLOv8的目标检测性能。FASFFHead通过构建四级特征融合体系（P3-P6）和自适应空间特征融合机制，有效解决了多尺度特征融合不充分的问题。实验表明，在COCO数据集上，该模型使YOLOv8n的mAP@0.5提升2.8个百分点，参数量仅增加0.6M。消融实验验证了P6层和ASFF机制的有效性，实际应用如无人机航拍目标检测也展示了其优越性能。
YOLOv8模型剪枝实战：DepGraph(依赖图)方法详解
2401_82355416的博客
06-14 1074
本文详细介绍了基于DepGraph依赖图的YOLOv8模型剪枝方法。首先概述了模型剪枝的概念、类型及其重要性，然后深入解析了DepGraph依赖图的构建原理与剪枝流程。针对YOLOv8的架构特点，提供了完整的剪枝实战指南，包括环境准备、模型加载、依赖图构建、剪枝策略设计及微调等关键步骤。通过模型大小、推理速度和精度评估验证了剪枝效果，并分享了分层剪枝、渐进式剪枝等高级技巧。最后讨论了常见问题解决方案，展望了剪枝技术的未来发展方向，为YOLOv8在边缘设备的轻量化部署提供了实用方案。
海思3519AV100上面部署yolov5-shufflenet
最新发布
u012374012的专栏
06-16 631
由于海思NNIE上transpose支持的顺序是固定的,shufflenet那种x=torch.transpose(x,1,2).contiguous() 的操作一般是不支持的。#[ -1, 1, nn.Upsample, [ None, 2, 'nearest' ] ],修改为。#[ -1, 1, nn.Upsample, [ None, 2, 'nearest' ] ],修改为。将.nn.SiLU()修改为nn.ReLU()，不一定会存在，需要查找下，如果有需要修改下。
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 1
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