Abstract
在视觉退化场景中，目标检测的准确性严重下降。
一种自然的解决方案是先增强退化的图像，然后再进行目标检测。
然而，由于图像增强和目标检测任务的分离，这种方法并不理想，并不一定会改善目标检测的效果。
为了解决这个问题，我们提出了一种图像增强引导的目标检测方法，该方法通过一个额外的增强分支以端到端的方式优化检测网络。
具体来说，增强分支和检测分支以并行方式组织，并设计了一个特征引导模块来连接这两个分支，该模块优化检测分支中输入图像的浅层特征，使其尽可能与增强图像的特征一致。
由于在训练过程中增强分支被冻结，这种设计利用增强图像的特征来引导目标检测分支的学习，从而使学习到的检测分支既能感知图像质量，又能进行目标检测。
在测试时，增强分支和特征引导模块被移除，因此不会引入额外的计算成本。
大量实验结果表明，在水下、雾霾和低光照目标检测数据集上，该方法显著提高了流行检测网络（YOLO v3, Faster R-CNN, DetectoRS）在视觉退化场景中的检测性能。
-
Previous
【AAAI 2022】IA-YOLO：Image-Adaptive YOLO for Object Detection in Adverse Weather Conditions -
Next
【arXiv 2024】FriendNet：Detection-Friendly Dehazing Network
