大规模、复杂且真实的防护服与安全帽检测：数据集与方法

在建筑工地中，识别安全服装与安全帽对于保障工人安全至关重要。然而，该领域的深度学习模型发展一直受限于高质量数据集的匮乏。本研究构建了一个大规模、复杂且高度真实的“安全服装与安全帽检测”（Safety Clothing and Helmet Detection, SFCHD）数据集。该数据集来源于两个真实的化工厂区，包含12,373张图像、7个类别以及50,552个标注。我们将SFCHD数据集按4:1的比例划分为训练集与测试集，并通过多种经典目标检测算法验证了其有效性。此外，受空间注意力与通道注意力机制的启发，我们设计了一种基于空间与通道注意力的低光照增强模块（Spatial and Channel Attention-based Low-light Enhancement, SCALE）。SCALE模块具有高度的灵活性，可作为即插即用组件集成至现有检测框架中。在ExDark与SFCHD两个数据集上的大量实验结果表明，SCALE模块在低光照条件下显著提升了目标检测器的性能。相关数据集与代码已公开发布于：https://github.com/lijfrank-open/SFCHD-SCALE。