May, 2018

使用非极大值抑制提高全方位图像的人体检测

PDF
TL;DR本研究提出一种基于卷积神经网络的人物检测器，能够在全景图像中准确生成人物的最小外接矩形。根据检测器的原始边界框，我们通过非最大值抑制、软非最大值抑制和带有高斯平滑的软非最大值抑制三种方法对边界框进行微调，并在 PIROPO 数据库和自己注释的 Flat 数据集上进行了评估，实现了对人物类的平均精度分别为 64.4% 和 77.6% 的检测效果。
发现论文，激发创造
  • OmniPD：一步完成全景室内视角的行人检测

    本文提出了一种基于卷积神经网络进行一步检测的全景俯视室内场景人物检测器，并利用数据增强和迁移学习技术，以及 Microsoft COCO 和 PASCAL VOC 数据集进行了 fine-tune 和评估，获得了较好的检测精度。

    Apr, 2022

  • 学习非极大值抑制

    通过端到端学习范式，提出了一种利用端盒和分数执行非极大值抑制的新型网络架构，适用于个人检测和一般物体类别（基于 COCO 数据集），能够提供更好的定位和遮挡处理。

    May, 2017

  • RAPiD: 苍穹鱼眼图像中的姿态感知人体检测

    本研究提出了一种名为 RAPiD 的人体检测方法，使用任意方向的边界框为代表人体，并通过端到端的全卷积神经网络直接回归边界框的角度。实验证明该方法优于现有的方法。

    May, 2020

  • You Only Look Once: 统一、实时目标检测

    YOLO 是一种新的目标检测方法，使用单个神经网络从完整图像中直接预测边界框和类别概率，具有实时处理速度、误检低和物体的通用表示等优势。

    Jun, 2015

  • 面向非约束遥感图像的多类目标检测

    本文提出了一种新方法，即一个新的联合图像级联和特征金字塔网络，用于在遥感图像中提取多尺度的强和弱语义特征，并进行定向边界框的检测和旋转非极大值抑制，提高了模型的性能。同时，该模型还具有对图像和对象尺度和方向的鲁棒性，可在多类物体检测应用程序中部署。

    Jul, 2018

  • 人员搜索的联合检测和身份识别特征学习

    提出了一种新的深度学习框架，该框架通过在线实例匹配损失函数联合处理行人检测和人物再识别，用于行人搜索，并提供了一个大型数据集进行验证。该方法在结果与收敛速度上优于传统 Softmax 损失函数。

    Apr, 2016

  • YOLORe-IDNet：一种用于个人追踪的高效多摄像头系统

    通过结合相关滤波器和交并比（IOU）约束的人物追踪系统，以及基于 YOLOv5 的深度学习模型进行跨摄像头人员再识别，快速实时跟踪嫌疑人，适用于安全监控应用。

    Sep, 2023

  • 安全应用中 X 射线图像非法物品检测

    本文提出了一种改进的基于深度神经网络的自动化 X 射线图像检测方法，通过使用更高效的框和修改默认 NMS 算法实现更准确的物体检测，突显了大数据分析在提高公共安全方面的潜力。

    May, 2023

  • YOLOv10：实时端到端物体检测

    通过消除非极大值抑制（NMS）的依赖性和综合优化 YOLOs 的各个组件，本研究提出了一种新一代的实时端到端目标检测模型 YOLOv10，其在性能和效率方面均取得了最新的成果。

    May, 2024

  • MODIPHY：利用幻象卷积增强的 Faster YOLO 进行物联网的多模式遮挡检测

    利用 YOO Phantom 模型和多模态数据集，本研究解决了物体检测在黑暗环境和遮挡场景中的问题，并在物联网平台上进行了实时目标检测的有效性测试。

    Feb, 2024