الملخص: يعتبر اكتشاف الأجسام في ظروف الإضاءة المنخفضة قدرة إدراكية حاسمة للأنظمة الروبوتية المستقلة التي تؤدي مهام العالم الواقعي مثل القيادة الذاتية، والمراقبة الليلية، والتفتيش بالطائرات بدون طيار، والاستكشاف تحت الماء. ومع ذلك، فإن تدهور الصور في مثل هذه البيئات يعطل بشدة استخراج الميزات البصرية، مما يؤدي إلى حدوث إيجابيات زائفة متكررة وفقدان للاكتشافات. لمواجهة هذا التحدي، نقترح شبكة جديدة متعددة المقاييس التكيفية (MANet) لاكتشاف الأجسام بشكل موثوق في سيناريوهات الإضاءة المنخفضة. تتكون MANet من مكونين رئيسيين: شبكة لاستخراج الميزات متسلسلة مبنية على مستخرج الميزات متعددة المقاييس الذي نقترحه، وشبكة دمج تكيفية تدمج مستخرج الميزات التكيفي الخاص بنا ووحدة دمج سريعة موحدة. بالإضافة إلى ذلك، نقدم دالة خسارة مشتركة لتحسين أداء التصنيف في ظروف الإضاءة المعقدة. تظهر نتائج التجارب أن MANet تحقق متوسط الدقة @0.5 يبلغ 0.718 ومتوسط الدقة @0.5:0.95 يبلغ 0.451 على مجموعة بيانات ExDark، كما تقدم أداءً تنافسياً على DARKFACE وDUO وTrashCan. بالإضافة إلى ذلك، تُظهر MANet قدرة عامة قوية عبر المشاهد في ظروف الإضاءة المنخفضة في العالم الحقيقي. تؤكد هذه النتائج فعالية MANet في تقليل الإيجابيات الزائفة وفقدان الاكتشافات، وتعزيز قوة الاكتشاف، وتأسيس قاعدة متينة للإدراك الروبوتي وصنع القرار في بيئات الإضاءة المنخفضة في الهواء الطلق.
درس Zhang et al. (Tue) هذا السؤال.