GE-Detection: 低照度物体検出のための効率的なアテンションとドロップアウト
GE-Detection: Efficient Attention and Dropout for Low-Light Object Detection
低照度環境下での物体検出は、コントラスト低下、センサーノイズ増幅、物体の局在化困難といった課題を抱える。既存の検出前強調手法は検出特徴に最適化されていない場合があり、Transformerベースのグローバル推論は軽量検出器にはコストが高い。このギャップを埋めるため、YOLOやPicoDetスタイルのアーキテクチャに、Global Sub-Sampled Attention (GSA)、Efficient Multi-scale Attention (EMA)、ドロップアウト正則化を統合した検出器側フレームワーク「GE-Detection」を提案する。GSAは空間的に削減されたキー・バリュー・トークンにより低コストなグローバル文脈モデリングを導入し、EMAはアグレッシブなチャネル圧縮なしでマルチスケール特徴を洗練し、ドロップアウトは推論時のオーバーヘッドなしで学習時の正則化を改善する。COCO、ExDark、BDD100K-Night、NightOwlsでの実験では、ExDarkデータセットにおいてYOLO11nを用いた場合、mAP50-95が34.39%から36.74%へ、mAP50が56.24%から59.27%へ、Box (P)が67.63%から71.36%へ向上し、低照度検出で最も効果的であることが示された。フルYOLO11nバリアントは2.91Mパラメータを使用し、RTX 2080 Ti上で134.7 FPSを維持する。クロスデータセットおよび破損実験は、提案モジュールが複数の夜間ドメインシフト下での局在化を改善しつつ、深刻なノイズや悪天候下での既知の限界を維持することを示唆している。
- 低照度物体検出のための新しいフレームワーク「GE-Detection」を提案
- ExDarkデータセットにおいてYOLO11nベースでmAP50-95が34.39%から36.74%に向上
- 2.91MパラメータでRTX 2080 Ti上134.7 FPSを維持
- COCO、BDD100K-Night、NightOwlsを含む複数データセットで評価
本稿は学術的な研究提案であり、特定の企業の製品リリースや資金調達、市場への直接的なインパクトを示すものではない。しかし、低照度物体検出は自動運転(夜間走行)、監視セキュリティ、ドローン物流などVectorのモビリティ・ロボティクス領域と深く関連する技術テーマであり、効率的なアテンション機構による軽量モデルの性能向上は実用的価値が高い。特にYOLOシリーズは産業界で広く使われており、その改良は多くの応用に波及し得る。ただし現時点は研究発表段階であり、投資判断の直接材料とはなりにくい。