YOLOv8 升级之路：主干网络嵌入 SCINet，优化黑暗环境目标检测

引言

在计算机视觉领域，目标检测一直是研究的热点问题。YOLO(You Only Look Once)系列算法因其出色的速度和精度平衡而广受欢迎。然而，在低照度环境下，传统YOLO算法的性能往往会显著下降。本文将探讨如何通过引入SCINet(Sample-Conditioned Instance Normalization Network)低照度图像增强网络来改进YOLOv8在黑暗环境下的目标检测性能。

1. 低照度图像检测的挑战

1.1 低照度环境对目标检测的影响

低照度环境下采集的图像通常存在以下问题：

• 信噪比低
• 对比度差
• 颜色失真
• 细节丢失

这些问题严重影响了目标检测算法的特征提取能力，导致检测精度下降。

1.2 传统解决方案的局限性

传统解决方案主要包括：

1. 直方图均衡化：容易放大噪声
2. 基于Retinex理论的方法：计算复杂度高
3. 传统深度学习增强方法：泛化能力有限

2. SCINet网络原理

2.1 SCINet核心思想

SCINet通过样本条件实例归一化(Sample-Conditioned Instance Normali