An analysis on the effect of dynamic range on object detection with deep neural networks

Bilgisayarlı görü için, özellikle nesne tespiti için, zorlu ışık koşullarında etraftaki nesnelerin algılanabilmesi önemli bir problem teşkil etmektedir. Özellikle sürücüsüz araçlar gibi nesne tespiti algoritmalarının uygulama alanlarının çoğu, bu koşullara karşı dayanıklı olmayı gerektirmektedir. Fakat, bu probleme karşın var olan otonom sürüş sistemleri nesne tespiti için düşük dinamik aralıklı imgelerde eğitilmekte ve test edilmektedirler. Bu tezde, yüksek dinamik aralıklı (YDA) imgelerin daha iyi nesne tepiti performansı sağlayıp sağlamadığı analiz ediyoruz. Bu doğrultuda, dinamik aralığın nesne tespiti performansına etkisinin kapsamlı analizini vermekteyiz. YDA imgeler ile Düşük Dinamik Aralıklı (DDA) imgeleri farklı aydınlanma koşullarını dikkate alan yeni performans kategorilerinde değerlendirmekteyiz. Bu değerlendirmlere sonucunda, normalizasyon ve gama düzeltme gibi ön işleme yöntemleri kullanılmadığı takdirde, YDA imgeler DDA imgelere göre daha kötü nesne tespiti performansı gösterdiği görülmektedir. Ayrıca, bahsedilen ön işleme yöntemleri kullanıldığında YDA imgeler en iyi performans veren ton*dönAn Ek olarak, derin öğrenme tabanlı ton-dönüşümü operatörlerinin ve nesne tespiti yapan derin ağların ortak optimizasyonu için bir mimari önermekteyiz. Önerdiğimiz mimari, en iyi ton dönüşümü kalite skorlarını elde ederken, nesne tespiti performansında da en başarılı ton-dönüşümü ile yarışır skor elde edebilmektedir.