SoC設(shè)計(jì)與應(yīng)用技術(shù)領(lǐng)導(dǎo)廠商Socionext Inc.(以下“Socionext”，或“公司”)宣布，聯(lián)合大阪大學(xué)數(shù)據(jù)能力科學(xué)研究所長原教授研究小組共同開發(fā)新型深度學(xué)習(xí)算法，該算法無需制作龐大的數(shù)據(jù)集，只需通過融合多個(gè)模型便可在極度弱光的條件下進(jìn)行精準(zhǔn)檢測物體及圖像識別。Socionext笹川幸宏先生和大阪大學(xué)長原教授在8月23日至28日(英國夏令時(shí)間)舉辦的歐洲計(jì)算機(jī)視覺國際會(huì)議(ECCV 2020)上報(bào)告了這一研究成果。

近年來盡管計(jì)算機(jī)視覺技術(shù)取得了飛速發(fā)展，但在低照度環(huán)境下車載攝像頭、安防系統(tǒng)等獲取的圖像質(zhì)量仍不理想，圖像辨識性能較差。不斷提升低照度環(huán)境下圖像識別性能依舊是目前計(jì)算機(jī)視覺技術(shù)面臨的主要課題之一。CVPR2018中一篇名為《Learning to See in the Dark》[1]的論文曾介紹過利用圖像傳感器的RAW圖像數(shù)據(jù)的深度學(xué)習(xí)算法，但這種算法需要制作超過200,000張圖像和150多萬個(gè)批注 [2]數(shù)據(jù)集才能進(jìn)行端到端學(xué)習(xí)，既費(fèi)時(shí)又費(fèi)錢，難以實(shí)現(xiàn)商業(yè)化落地(如下圖1)。

圖1：《Learning to See in the Dark》及RAW 圖像識別課題

為解決上述課題，Socionext與大阪大學(xué)聯(lián)合研究團(tuán)隊(duì)通過遷移學(xué)習(xí)(Transfer Learning)和知識蒸餾(Knowledge Distillation)等機(jī)器學(xué)習(xí)方法，提出采用領(lǐng)域自適應(yīng)(Domain Adaptation)的學(xué)習(xí)方法，即利用現(xiàn)有數(shù)據(jù)集來提升目標(biāo)域模型的性能，具體內(nèi)容如下(如圖2)：

(1)使用現(xiàn)有數(shù)據(jù)集構(gòu)建推理模型;

(2)通過遷移學(xué)習(xí)從上述推理模型中提取知識;

(3)利用Glue layer合并模型;

(4)通過知識蒸餾建立并生成模型。

圖2：本次開發(fā)的領(lǐng)域適應(yīng)方法(Domain Adaptation Method)

此外，結(jié)合領(lǐng)域自適應(yīng)方法和物體檢測YOLO模型[3]，并利用在極端弱光條件下拍攝的RAW圖像還可構(gòu)建“YOLO in the Dark”檢測模型。YOLO in the Dark模型可僅通過現(xiàn)有數(shù)據(jù)集實(shí)現(xiàn)對RAW圖像的對象檢測模型的學(xué)習(xí)。針對那些通過使用現(xiàn)有YOLO模型，校正圖像亮度后仍無法檢測到圖像的(如下圖a)，則可以通過直接識別RAW圖像確認(rèn)到物體被正常檢測(如下圖b)。同時(shí)測試結(jié)果發(fā)現(xiàn)，YOLO in the Dark模型識別處理時(shí)所需的處理量約為常規(guī)模型組合(如下圖c)的一半左右。

圖3：《YOLO in the Dark》效果圖

本次利用領(lǐng)域自適應(yīng)法所開發(fā)的“直接識別RAW圖像”可不僅應(yīng)用于極端黑暗條件下的物體檢測，還可應(yīng)用于車載攝像頭、安防系統(tǒng)和工業(yè)等多個(gè)領(lǐng)域。未來，Socionext還計(jì)劃將該技術(shù)整合到公司自主研發(fā)的圖像信號處理器(ISP)中開發(fā)下一代SoC，并基于此類SoC開發(fā)全新攝像系統(tǒng)，進(jìn)一步提升公司產(chǎn)品性能，助力產(chǎn)業(yè)再升級。

歐洲計(jì)算機(jī)視覺國際會(huì)議(ECCV 2020)

日期：8月23~28日(英國夏令時(shí)間)

地點(diǎn)：線上會(huì)議

演講主題：YOLO in the Dark - Domain Adaptation Method for Merging Multiple Models -

演講人：Socionext Inc. 笹川幸宏先生

            大阪大學(xué) 長原教授