Khái niệm cốt lõi
Eine neuartige Deep Channel Prior (DCP) wird vorgeschlagen, um die Leistung von Vortrainingsmodellen in realen Degradationsumgebungen umfassend zu verbessern. Basierend darauf wird ein zweistufiges unüberwachtes Feature-Verbesserungsmodul (UFEM) entwickelt, das die latenten Inhalte wiederherstellt und die globale Korrelation moduliert, um hochwertige und erkennungsfreundliche Features zu erhalten.
Tóm tắt
Die Studie untersucht die Herausforderungen der visuellen Erkennung für autonomes Fahren in realen Degradationsumgebungen wie Nebel, Dunkelheit und Bewegungsunschärfe. Es wird beobachtet, dass Degradationseinflüsse zu Informationsverlust und Artefakteinführung in den Featuredarstellungen führen, was die Leistung von Vortrainingsmodellen beeinträchtigt.
Um dies zu lösen, wird ein neuartiger Deep Channel Prior (DCP) vorgeschlagen. DCP nutzt die Beobachtung, dass die Kanalkorrelationen der degradierten Features mit demselben Degradationstyp eine einheitliche Verteilung aufweisen, auch wenn sie unterschiedliche Inhalte und Semantik haben. Dies ermöglicht es, die Beziehung zwischen degradierten und klaren Features effektiv zu lernen, ohne auf überwachte Daten angewiesen zu sein.
Basierend auf DCP wird ein zweistufiges unüberwachtes Feature-Verbesserungsmodul (UFEM) entwickelt. In der ersten Stufe wird ein duales Lernarchitektur-Design mit einem Multi-Adversarial-Mechanismus eingeführt, um den latenten Inhalt wiederherzustellen und zusätzliche Artefakte zu entfernen. In der zweiten Stufe wird die globale Kanalkorrelation moduliert, um hochwertige und erkennungsfreundliche Features zu erhalten.
Umfangreiche Evaluierungen auf acht Benchmark-Datensätzen für degradierte Bildklassifizierung, Objekterkennung und Segmentierung zeigen, dass die vorgeschlagene Methode die Leistung von Vortrainingsmodellen in realen Degradationsumgebungen umfassend verbessern kann.
Thống kê
Die Kanalkorrelationen der degradierten Features mit demselben Degradationstyp haben eine einheitliche Verteilung, auch wenn sie unterschiedliche Inhalte und Semantik haben.
Die Verteilungen der Kanalkorrelation haben unter verschiedenen Degradationsbedingungen deutlich unterschiedliche Grenzen.
Trích dẫn
"In der tiefen Darstellungsebene haben die Kanalkorrelationen von Features mit demselben Degradationstyp eine einheitliche Verteilung, auch wenn sie unterschiedliche Inhalte und Semantik haben."
"Die Verteilungen der Kanalkorrelation haben unter verschiedenen Degradationsbedingungen deutlich unterschiedliche Grenzen."