Socionext开发出弱光条件下的目标检测

waffle

来源: EEWORLD

Socionext和大阪大学数据能力科学研究所日前开发了一种深度学习方法，能够在极低光线条件下进行图像识别和目标检测。

通过合并多个模型，新方法可以在不生成大量数据集的情况下检测对象。

Socionext计划将这种新方法融入公司的图像信号处理器中，以开发新的SOC，以及围绕这些SOC的新摄像头系统，用于汽车、安全、工业和其他需要高性能图像识别的应用。

在计算机视觉技术发展过程中，一个主要的挑战就是如何提高汽车摄像头和监控系统在恶劣照明条件下的图像识别性能。

此前，利用传感器原始图像数据进行深度学习的方法，称为“在黑暗中学习看东西”。这种方法需要一个包含超过200000个图像的数据集，其中超过150万个注释用于端到端学习，用原始图像准备如此大的数据集既费钱又费时。联合研究小组提出了新的领域适应方法，即利用现有的数据集，利用转移学习、知识蒸馏等机器学习技术，建立一个所需的模型。

新方法通过以下步骤解决了这一难题：

（1） 利用现有数据集建立推理模型，

（2） 从上述推理模型中提取知识，

（3） 通过胶合层合并模型，

（4） 通过知识蒸馏建立生成模型。它可以利用现有的数据集学习期望的图像识别模型。

使用这种域自适应方法，该团队利用在极端黑暗条件下拍摄的原始图像，建立了一个对象检测模型“黑暗中的尤洛”，使用YOLO模型。

利用已有的数据集可以实现对原始图像目标检测模型的学习，而无需生成额外的数据集。

与现有的YOLO模型在图像亮度增强无法检测到目标的情况下不同，提出的新模型使原始图像识别和目标检测成为可能。

这个新模型所需的计算资源大约是基线模型的一半，该模型使用了以前模型的组合。

这种方法的“原始图像的直接识别”有望与其他许多应用一起，用于极暗条件下的目标检测。

Socionext计划将这种新方法融入公司的图像信号处理器中，以开发新的SOC，以及围绕这些SOC的新摄像头系统，并为汽车、安全、工业和其他需要高性能图像识别的应用提供解决方案。