An Ensemble Model for Distorted Images in Real Scenarios

要約

画像取得の条件と環境は、コンピューター ビジョンの高レベルのタスクに大きな影響を与える可能性があり、ほとんどのコンピューター ビジョン アルゴリズムのパフォーマンスは、歪みのないデータセットでトレーニングすると制限されます。
センサーや深層学習手法などのハードウェアが更新されても、現実世界のアプリケーションの変動する条件に直面すると、依然として機能しません。
この論文では、オブジェクト検出器 YOLOv7 を適用して、データセット CDCOCO から歪んだ画像を検出します。
データ強化、検出ボックス アンサンブル、デノイザー アンサンブル、超解像度モデル、転移学習などの慎重に設計された最適化を通じて、私たちのモデルは CDCOCO テスト セットで優れたパフォーマンスを達成します。
当社のノイズ除去検出モデルは、歪んだ画像のノイズを除去して修復できるため、このモデルは現実のさまざまなシナリオや環境で役立ちます。

要約(オリジナル)

Image acquisition conditions and environments can significantly affect high-level tasks in computer vision, and the performance of most computer vision algorithms will be limited when trained on distortion-free datasets. Even with updates in hardware such as sensors and deep learning methods, it will still not work in the face of variable conditions in real-world applications. In this paper, we apply the object detector YOLOv7 to detect distorted images from the dataset CDCOCO. Through carefully designed optimizations including data enhancement, detection box ensemble, denoiser ensemble, super-resolution models, and transfer learning, our model achieves excellent performance on the CDCOCO test set. Our denoising detection model can denoise and repair distorted images, making the model useful in a variety of real-world scenarios and environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google