航空图像中的聚类目标检测
通过密度裁剪引导的半监督检测器改进了对航空图像中小物体的检测效果。在训练过程中,使用已标记和未标记图像中识别出的物体簇的图像作为训练集的增强,提高了对小物体的检测和为未标记图像生成的伪标签质量。在推理过程中,该检测器不仅能够检测感兴趣的物体,还能够检测到密度较高的小物体区域,结合输入图像和图像裁剪的检测结果,从而实现更准确的物体预测,特别是对于小物体。
Aug, 2023
本文在 VisDrone2019 数据集上使用 CenterNet 方法对航空图像目标检测进行评估,同时探究了不同骨干网络和分辨率对模型性能的影响。
Aug, 2019
通过建立在 CenterNet 上的高效和有效的框架 YOLC,我们引入了局部尺度模块(LSM)来解决处理大规模图像和非均匀目标分布时的挑战,通过使用高斯 Wasserstein 距离(GWD)修改回归损失以获得高质量边界框,并在检测头部使用可变形卷积和改进方法来增强对小目标的检测。我们在 Visdrone2019 和 UAVDT 等两个航拍图像数据集上进行了大量实验,证明了我们提出的方法的有效性和优越性。
Apr, 2024
本文研究了针对高分辨率航拍图像中物体检测的挑战,提出了一种基于密度地图的对象检测网络 (DMNet),并将其应用于图像分割,获得了 VisionDrone 和 UAVDT 两个流行航拍图像数据集的最佳性能。
Apr, 2020
本文提出了一种名为 “Focus-and-Detect” 的两阶段物体检测框架,包括一个用高斯混合模型监督的物体检测网络来生成聚焦区域,以及一个物体检测网络来预测指定区域中的物体。同时,本文还提出了一种名为 IBS 的方法,可以克服区域搜索方法的截断效应,并在 VisDrone 验证数据集上获得了 42.06 的 AP 得分,超越所有已知的最先进的小物体检测方法。
Mar, 2022
本文提出一种新颖的旋转多分类目标检测器 SCRDet,旨在解决小目标、杂乱目标和旋转目标检测的问题。并通过使用采样融合网络,以及监督像素注意力网络和通道注意力网络,来提高对小目标的灵敏度和准确度。实验结果显示该检测器在各类公共数据集上都表现出了最先进的性能。
Nov, 2018
本文提出了一种高效的级联缩放检测器(CZ),它利用密度引导的训练和推断解决了在高分辨率航拍图像中检测拥挤小目标的问题,并在 VisDrone 数据集上表现出优异的性能。
Mar, 2023
本文提出了三种数据增强方法,包括比例自适应模块、镶嵌技术和数据集重采样,以解决航空图像目标检测中的尺度变化、稀疏性和类别不平衡问题,并在 VisDrone 和 UAVDT 数据集上实现了最先进的性能。
Sep, 2020
本文研究了基于深度学习的 Faster R-CNN 在航空图像目标检测中的应用,通过对多种策略的探索,成功提升了模型在 iSAID 数据集上的平均精度(mAP),为航空图像目标检测提出了有效的解决方案。
Jan, 2022