跨域特征对齐与两阶段增强的低光目标检测方法
Abstract
目的解决低光环境下图像噪声、对比度不足及细节退化导致的传统目标检测性能下滑问题，缓解高质量标注低光图像稀缺瓶颈，挖掘大规模自然图像数据集价值以提供高效训练支撑。方法提出一种创新的低光目标检测框架，以正常光照图像预训练模型为基础构建核心训练范式；首先，为弥合正常光照与低光图像间的域分布鸿沟，设计特征对齐模块（Illumination-Invariant Feature Alignment，IIFA），通过全局光照特征对齐与光照无关特征提取的协同机制实现跨域特征融合，并嵌入自适应样本优先级处理机制以适配域间分布差异；其次，针对低光场景下小型及远距离目标因细节退化、对比度不足导致的检测难题，提出一种基于两阶段增强策略的局部特征强化注意力模块（Two-Stage Feature Enhancement，TSFE），实现对关键目标特征的精准增强。结果在低光检测基准 ExDark 数据集上的实验结果表明，所提模型性能优于直接低光训练、正常光预训练后低光微调等现有方法，尤其在小型目标检测任务中表现突出。具体指标如下：跨域适应场景下平均精确度（mean Average Precision，mAP）达 65.74，帧率（Frames Per Second，FPS）达 57.03；所提模型 mAP 达 66.83，精确率（Precision，P）达 83.73，召回率（Recall，R）达 54.78，同时保持 48.81 的 FPS，综合性能与检测效率优势显著。结论本框架有效弥合跨域差异，提升小型及远距离目标检测能力，显著改善低光检测性能，提供高效解决方案。
Fields of Study & Subjects
Advanced Neural Network Applications
Domain Adaptation and Few-Shot Learning
Image Enhancement Techniques
Publication details
- Journal / source
- Journal of Image and Graphics
- Volume
- 31
- Issue
- 10
- Pages
- 3671–3690
- Publication date
- 1 January 2026
- Language
- EN