How to Augment for Atmospheric Turbulence Effects on Thermal Adapted Object Detection Models?

大气湍流对物体检测模型的性能构成重大挑战。湍流通过弯曲和散射光线，由于空气折射率的变化，导致图像扭曲、模糊和噪声。这导致光学系统接收到的电磁辐射存在非刚性几何扭曲和时间波动。本文探讨了湍流图像增强技术在改善大气湍流下热适应和基于深度学习的物体检测模型的准确性和鲁棒性方面的有效性。采用三种不同的基于近似的湍流模拟器（几何、Zernike和P2S）生成湍流训练和测试数据集。在这些湍流数据集上使用了三种最先进的基于深度学习的物体检测模型：RTMDet-x、DINO-4scale和YOLOv8-x，并在训练时使用和不使用湍流增强来评估它们的性能。结果表明，在模型训练期间利用湍流特定的增强方法可以显著提高检测准确性和鲁棒性，以应对扭曲的湍流图像。湍流增强甚至可以提高非湍流测试集的性能。

论文旨在探究利用湍流图像增强技术来提高热适应和深度学习模型在大气湍流下物体检测的准确性和鲁棒性。是否使用湍流增强技术对模型性能有所提升？

论文使用三种不同的近似湍流模拟器生成湍流训练和测试数据集，并在模型训练过程中利用湍流特定的增强技术。结果表明，利用湍流增强技术可以显著提高模型对扭曲湍流图像的检测准确性和鲁棒性。

论文使用了三种不同的湍流模拟器生成数据集，并使用三种先进的深度学习模型在这些数据集上进行了实验。结果表明，湍流增强技术可以提高模型的性能，即使在非湍流测试集上也是如此。这项研究为解决大气湍流对物体检测的挑战提供了一种新的方法。

在这个领域中，最近的相关研究包括：Atmospheric Turbulence Effects on Deep Neural Networks for Object Detection，Turbulence-Net: A Deep Stochastic Model for Turbulence-Resilient Object Detection，以及Turbulence Augmentation for Object Detection in UAV Imagery等。