ICCVAug, 2019

一种基于深度乏味还原方法的无人机鲁棒目标检测探究

PDF
TL;DR本文提出了一种利用元数据和相关无人机图像来学习领域鲁棒特征的对抗训练框架 —— 干扰解缠特征转换（NDFT）算法，以解决无人机图像中目标检测的具体挑战问题，实现了在两个现有基于无人机的目标检测基准测试上的最新性能。
object detectionunmanned aerial vehiclesmeta-dataadversarial trainingdomain-robust features
发现论文，激发创造
  • 无人机目标检测中基于对抗学习的尺度不变特征解缠

    通过学习无人机对象检测的尺度不变特征，提出了一种改进单阶段推理准确性的方法，并设计了尺度不变特征分离模块和对抗特征学习方案来增强分离，最终通过使用尺度不变特征来实现鲁棒的无人机对象检测。

    May, 2024

  • 无人机基准测试：目标检测和跟踪

    本文着重于构建一个针对复杂场景的无人机基准测试数据集，并对基准测试集中的物体检测、单目标跟踪和多目标跟踪进行了详细的定量分析，实验结果表明目前最先进的方法在这个数据集上的表现相对较差，给出了这一问题的多方面解决方案。

    Mar, 2018

  • 确保无人机安全：基于视觉信息的实时碰撞避免框架，通过目标检测、跟踪和距离估计

    使用光学传感器进行无人机的检测、跟踪和距离估计，通过深度学习框架、目标检测模块、跟踪模块和深度估计模块实现全自主飞行和高级空中流动的无人机。

    May, 2024

  • 针对无人机目标检测的模型无关防御对抗性补丁攻击

    这篇论文提出了一种针对无人机物体检测中的敌对补丁攻击的新型模型无关防御机制，将对抗性补丁防御问题形式化为遮挡消除任务，通过中性化感兴趣对象上的对抗性补丁来改善无人机物体检测的可靠性。

    May, 2024

  • 基于深度学习的海上无人机影像目标检测：综述与实验比较

    利用海洋无人机进行目标检测的深度学习技术在海洋工程和海洋行业的应用越来越重要。本文综述了海洋无人机目标检测面临的挑战、相关方法以及无人机航拍数据集，并提出了一个名为 MS2ship 的海洋无人机航拍数据集用于船只检测。通过一系列实验评估和鲁棒性分析，论文展示了这些目标检测方法在海洋数据集上的性能，并对未来的海洋无人机目标检测工作进行了讨论和展望。

    Nov, 2023

  • 基于视觉的复杂背景和雨天下的无人机检测

    本文研究了计算机视觉和深度学习技术在无人机检测方面的表现，探究了在复杂背景、不同大小、复杂天气等挑战条件下使用一阶段探测器和二阶段探测器进行 UAV 检测的性能，并对两个数据集进行了评估，研究结果为发展更为强大的 UAV 检测方法提供了借鉴。

    May, 2023

  • 证据探测和跟踪协作：强韧反无人机系统的新问题、基准和算法

    本文提出一个新的反无人机问题，即在没有无人机先前信息的复杂环境中感知无人机，为此我们提出了最大的无人机数据集 AntiUAV600 和新的评估指标，并开发了一种新颖的反无人机方法来解决该问题。

    Jun, 2023

  • 使用特征重放和慢学习优化训练领域不变目标检测器的速度

    本研究提出了 A-NDFT 方法，该方法改进了之前的 nuisance disentangled feature transformation 方法；A-NDFT 利用特征回放和缓慢学习器两种加速技术，可以将 NDFT 的训练时间从 31 小时缩短到 3 小时，同时保持其性能。

    May, 2021

  • EVD4UAV: 无人机避开车辆检测的高度敏感基准

    本研究提出了一种新的数据集 EVD4UAV，用于高度敏感的无人机中对车辆进行检测，包含多样的高度、车辆属性和详细的标注信息，并实施了基于白盒和黑盒的补丁攻击方法来攻击三种典型的深度神经网络目标检测器，实验结果表明这些攻击方法无法实现稳定的高度无关的攻击性能。

    Mar, 2024

  • UCDNet: 基于可靠特征映射的多无人机协同三维物体检测网络

    提出了一种无与伦比的基于相机的多 UAV 协同三维物体检测范式 UCDNet，通过显式利用 UAV 到地面的深度信息作为强先验，为更准确和可推广的特征映射提供参考。此外，设计了一种同质点几何一致性损失作为辅助自监督方法，直接影响特征映射模块，从而增强多视角感知的全局一致性。在 AeroCollab3D 和 CoPerception-UAVs 数据集上的实验结果表明，与基准方法相比，我们的方法分别提高了 4.7％和 10％的 mAP，证明了 UCDNet 的优越性。

    Jun, 2024