Low-Light Image Enhancement Framework for Improved Object Detection in Fisheye Lens Datasets

这项研究针对基于鱼眼镜头相机的城市交通监测检测系统中不断出现的挑战，提出了一个框架，以提高这些系统的效力和准确性。在城市基础设施和交通管理的背景下，先进的交通监测系统已成为管理城市化和增加车辆密度的复杂性的关键。传统的监测方法依赖于视野狭窄的静态相机，在动态的城市环境中无效，需要安装多个相机，从而增加成本。最近引入的鱼眼镜头提供了单帧的广泛和全向覆盖，成为一种变革性的解决方案。然而，出现了扭曲的视图和模糊的问题，阻碍了这些图像上准确的物体检测。受这些挑战的启发，本研究提出了一种新的方法，将变换器为基础的图像增强框架和集成学习技术相结合，以解决这些问题并提高交通监测的准确性，为智能交通管理系统的未来做出了重要贡献。我们提出的方法论框架在2024年AI城市挑战赛第四赛道中获得了第五名，实验验证数据的F1得分为0.5965。实验结果证明了所提出系统的有效性、高效性和鲁棒性。我们的代码公开在https://github.com/daitranskku/AIC2024-TRACK4-TEAM15。

提高城市交通监控系统的准确性和效率，解决鱼眼镜头相机所带来的视角失真和模糊等问题。

通过结合基于Transformer的图像增强框架和集成学习技术的方法，提高鱼眼镜头相机的交通监控准确性。

论文提出的方法在2024年AI城市挑战赛中获得第五名，F1得分为0.5965。实验结果表明该方法具有有效性、高效性和鲁棒性。研究团队开源了代码。

近期相关研究包括：1. "A Survey of Computer Vision for Smart Traffic Surveillance Systems"；2. "Traffic Sign Detection and Recognition Using Deep Learning Techniques: A Survey"；3. "Real-Time Traffic Sign Recognition Based on Deep Learning and Monocular Camera"。