Socionext公司和大阪大学研究所的一个研究小组对Datability科学联合开发深度学习的新方法，使图像识别和对象检测极低-光照条件。在长原浩二(Hajime Nagahara)教授的带领下，开发团队合并了多个模型，创建了一种新方法，该方法无需生成庞大的数据集即可检测对象，而以前这是一项必不可少的任务。

Socionext计划将这种新方法整合到公司的图像信号处理器中，以开发新的SoC以及围绕此类SoC的新相机系统，用于汽车，安全，工业和其他需要高性能图像识别的应用。这项研究工作将在8月24日至28日(英国夏令时)在线举行的2020年欧洲计算机视觉会议(ECCV)上发表。

新方法达到了提高图像识别性能的目的

整个计算机视觉技术发展过程中的一个主要挑战是在恶劣的照明条件下提高车载摄像机和监视系统等应用的图像识别性能。以前，已经开发出一种使用来自传感器的RAW图像数据的深度学习方法，称为“学习在黑暗中看” [1]。但是，这种方法需要超过200,000张图像的数据集，并具有超过150万个批注[2]才能进行端到端学习。用RAW图像准备如此大的数据集既费钱又费时。

联合研究小组提出了领域适应方法，该方法通过利用机器学习技术(例如转移学习和知识蒸馏)，使用现有数据集构建所需的模型。新的领域适应方法通过以下步骤解决了这一挑战：(1)使用现有数据集构建推理模型;(2)从上述推理模型中提取知识;(3)通过胶合层合并模型;(4)通过知识蒸馏构建生成模型。它可以使用现有数据集学习所需的图像识别模型(图2)。

利用这种域自适应方法，该团队使用YOLO模型[3]，建立了在极端黑暗条件下拍摄的RAW图像的对象检测模型“ YOLO in the Dark” 。可以使用现有数据集学习带有RAW图像的对象检测模型，而无需生成其他数据集。与现有的YOLO模型不同，该模型无法通过校正图像的亮度来检测对象(a)，而提出的新方法则可以识别RAW图像并检测对象(b)。这种新方法所需的数据处理时间约为原始方法的一半，后者是使用先前模型(c)的组合。

该方法的这种“直接识别RAW图像”有望与其他许多应用一起用于极端黑暗条件下的物体检测。Socionext将在其先进的成像技术和SoC系列产品中添加这种新方法，以支持需要高质量，高性能图像识别的高级相机系统和应用。