无人机遇见检测与跟踪挑战
本篇论文介绍了一个名为 VisDrone2018 的大规模视觉对象检测和跟踪基准,目的在于推进基于无人机平台上的视觉理解任务,其包含了 14 个不同城市的各种城市 / 郊区地区的图像和视频序列,并提供了丰富的标注,如物体边界框的位置,物体类别,遮挡,截断比等,是迄今为止发表的最大的数据集之一,可广泛评估并研究在无人机平台上的视觉分析技术。
Apr, 2018
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
本文提出了一种基于深度学习目标检测的无人机多目标跟踪和三维定位方案,将 TrackletNet Tracker(TNT)和多视图立体技术相结合,能够对设备拍摄的对象进行检测、跟踪并测定其三维坐标。
Oct, 2019
本文介绍了一个旨在填补从陆基视觉系统到海基系统的差距的大规模视觉目标检测和跟踪基准(SeaDronesSee),我们从各种高度和视角,提供海拔,视角和其他元数据等相关信息,收集和注释了超过 54,000 帧,包括 400,000 个实例,并在此基础上评估了多个最先进的计算机视觉算法。
May, 2021
通过开发人工智能技术,本研究提供了一个包含不同类型未经授权的无人机数据集,用于比较各种被识别的目标检测模型,并提供了实验结果和方法描述。
May, 2024
为了解决现有数据集图片数量有限的问题,本文提出了一个包含图像和三维数据的多模态综合数据集,该数据集包含 28 类的像素级标注,并可用于深度网络架构的有效训练,结果表明其在合成数据和实际数据的适应方面具有良好的前景。
Aug, 2023
通过双视图检测系统 DVDET,提出了一种基于地理变形的训练模块,实现了 2D 图像空间和 3D 物理空间的空中单目物体检测,并利用新的数据集 AM3D,证明了模型的可行性及性能。
Aug, 2022
本文提出了使用分割为基础的两阶段方法来检测从其他飞行无人机发射的无人机,通过使用时空注意力线索来确保准确的定位,并以准确性优于其他基线的结果在两个无人机检测数据集上进行了评估。
Mar, 2021
单一物体追踪是计算机视觉中的一个基本问题,本研究提出了 BioDrone,这是第一个基于仿生无人机的视觉基准,旨在通过追踪微小目标和连续帧之间的巨大变化来评估 SOT 方法的鲁棒性,为 SOT 提供了新的鲁棒性视觉基准。
Feb, 2024