Comparing deep learning models for low-light natural scene image enhancement and their impact on object detection and classification: Overview, empirical evaluation, and challenges

人工智能 深度学习 目标检测 计算机科学 图像(数学) 对象(语法) 自然(考古学) 计算机视觉 模式识别(心理学) 机器学习 地理 考古
作者
Rayan Al Sobbahi,Joe Tekli
出处
期刊:Signal Processing-image Communication [Elsevier]
卷期号:109: 116848-116848 被引量:50
标识
DOI:10.1016/j.image.2022.116848
摘要

Low-light image (LLI) enhancement is an important image processing task that aims at improving the illumination of images taken under low-light conditions. Recently, a remarkable progress has been made in utilizing deep learning (DL) approaches for LLI enhancement. This paper provides a concise and comprehensive review and comparative study of the most recent DL models used for LLI enhancement. To our knowledge, this is the first comparative study dedicated to DL-based models for LLI enhancement. We address LLI enhancement in two ways: (i) standalone, as a separate task, and (ii) end-to-end, as a pre-processing stage embedded within another high-level computer vision task, namely object detection and classification. The paper consists of six logical parts. First, we provide an overview of the background and literature in LLI enhancement. Second, we describe the test data and experimental setup of the study. Third, we present a quantitative and qualitative comparison of the visual and perceptual quality achieved by 10 of the most recent DL-based LLI enhancement models. Fourth, we present a comparative analysis for object detection and classification performance achieved by 4 different object detection models applied on LLIs and their enhanced counterparts. Fifth, we perform a feature analysis of DL feature maps extracted from normal, low-light, and enhanced images, and perform the occlusion experiment to better understand the effect of LLI enhancement on the object detection and classification task. Finally, we provide our conclusions and highlight future steps and potential directions. • Evaluates Deep Learning (DL) models for Low-light Image (LLI) enhancement. • Compares 10 LLI enhancement models and 4 object detection and classification models. • Provides a quantitative and qualitative comparison of visual and perceptual quality. • Evaluates impact of LLI enhancement on object detecting and classification quality. • Performs occlusion experiment to study LLI enhancement’s effect on object detection.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
拼搏问薇完成签到 ,获得积分10
6秒前
12秒前
醒略略发布了新的文献求助10
19秒前
xiahongmei完成签到 ,获得积分10
21秒前
明朗完成签到 ,获得积分10
25秒前
Mollyshimmer完成签到 ,获得积分10
30秒前
浮云完成签到 ,获得积分10
30秒前
李健的小迷弟应助醒略略采纳,获得10
33秒前
姜姜姜完成签到 ,获得积分10
35秒前
shuangfeng1853完成签到 ,获得积分10
40秒前
suki完成签到 ,获得积分10
50秒前
布知道完成签到 ,获得积分10
1分钟前
NexusExplorer应助Lily采纳,获得10
1分钟前
蓝天小小鹰完成签到 ,获得积分10
1分钟前
Ding完成签到,获得积分10
1分钟前
meiyang完成签到 ,获得积分10
1分钟前
狼牙月完成签到,获得积分10
1分钟前
jiangjiang完成签到 ,获得积分10
1分钟前
日暮炊烟完成签到 ,获得积分0
1分钟前
焚心结完成签到 ,获得积分10
1分钟前
1分钟前
壮观以松完成签到 ,获得积分10
1分钟前
木之尹完成签到 ,获得积分10
1分钟前
老张完成签到 ,获得积分10
1分钟前
1分钟前
JamesPei应助john采纳,获得10
1分钟前
安静严青完成签到 ,获得积分10
1分钟前
binfo发布了新的文献求助10
1分钟前
Shandongdaxiu完成签到 ,获得积分10
1分钟前
弹剑作歌完成签到,获得积分10
1分钟前
科研通AI2S应助科研通管家采纳,获得10
1分钟前
yuminger完成签到 ,获得积分10
1分钟前
guoxihan完成签到,获得积分10
2分钟前
Re完成签到 ,获得积分10
2分钟前
2分钟前
john发布了新的文献求助10
2分钟前
学术骗子小刚完成签到,获得积分10
2分钟前
john完成签到,获得积分10
2分钟前
J陆lululu完成签到 ,获得积分10
2分钟前
苏子轩完成签到 ,获得积分10
2分钟前
高分求助中
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
Chen Hansheng: China’s Last Romantic Revolutionary 500
宽禁带半导体紫外光电探测器 388
Case Research: The Case Writing Process 300
Global Geological Record of Lake Basins 300
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3142849
求助须知:如何正确求助?哪些是违规求助? 2793717
关于积分的说明 7807147
捐赠科研通 2450021
什么是DOI,文献DOI怎么找? 1303576
科研通“疑难数据库(出版商)”最低求助积分说明 627016
版权声明 601350