SDNIA-YOLO：极端天气条件下的鲁棒物体检测模型
原文中文，约300字，阅读约需1分钟。发表于：。通过提出的基于神经风格转换的风格化数据驱动的 YOLO 模型（SDNIA-YOLO），本研究改善了模型的鲁棒性，通过自适应地增强图像质量并从神经风格转换合成的图像中学习与极端天气条件相关的有价值信息，在真实世界的极端雾天和低光条件测试集上，相比基线模型，已开发的 SDNIA-YOLOv3 在至少 15% 的 mAP@.5...
本研究通过SDNIA-YOLO模型改善了模型的鲁棒性，提高了在极端天气条件下的检测性能。实验结果显示，SDNIA-YOLOv3在极端雾天和低光条件测试集上的[email protected]至少提高了15%。同时，实验还展示了风格化数据在模拟极端天气条件方面的潜力。SDNIA-YOLO保持了原生YOLO的优秀特性。
