Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

Connaissance des fréquences spatiales pour la détection d'objets dans les images RAW

Created by
  • Haebom

Auteur

Zhuohua Ye, Liming Zhang, Hongru Han

Contour

Cet article propose le SFAE (Space-Frequency Aware RAW Image Object Detection Enhancer), un nouveau framework intégrant les domaines spatial et fréquentiel pour améliorer les performances de la détection d'objets à partir d'images RAW. Nous constatons que les méthodes existantes peinent à récupérer efficacement les détails d'objets supprimés en raison de la large plage dynamique et de la réponse linéaire des images RAW, qui ne traitent que le domaine spatial. Nous exploitons la capacité naturelle à séparer des caractéristiques telles que les contours et les textures des objets dans le domaine fréquentiel. Le SFAE inverse les bandes de fréquences vers le domaine spatial, permettant une compréhension intuitive. Il utilise un module d'attention fusionnée inter-domaines qui améliore l'interaction entre les caractéristiques spatiales et fréquentielles et effectue des ajustements non linéaires adaptatifs pour chaque domaine.

Takeaways, Limitations

Takeaways:
Cela suggère la possibilité de résoudre efficacement le problème de la perte de détails des objets en raison de la large plage dynamique et de la réponse linéaire des images RAW grâce au traitement du domaine fréquentiel.
Nous démontrons que la combinaison des atouts des domaines spatial et fréquentiel peut permettre d’améliorer les performances de détection d’objets par rapport aux méthodes existantes.
La spatialisation des bandes de fréquences facilite la compréhension et la conception intuitives des modèles.
Limitations:
Aucun résultat d’évaluation quantitative n’a été présenté pour évaluer les performances du SFAE proposé par rapport à d’autres méthodes de pointe.
Le manque de résultats expérimentaux sur divers ensembles de données d’images RAW rend difficile l’évaluation des performances de généralisation.
Le traitement du domaine fréquentiel peut être plus coûteux en termes de calcul que le traitement du domaine spatial, et il peut y avoir des limitations sur le traitement en temps réel.
👍