May, 2020

Poly-YOLO: YOLOv3 的更高速、更精准的检测和实例分割

PDF
TL;DRPoly-YOLO 是一个新的基于 YOLOv3 并实现了实例分割的版本，为了纠正 YOLOv3 的两个缺点：标签过多和 anchor 分布低效的问题，Poly-YOLO 使用轻量级的 SE-Darknet-53 的 backbone 和 hypercolumn 技术聚合特征，使用阶梯式上采样生成高分辨率的输出，只拥有 YOLOv3 可训练参数的 60％，但将 mAP 提高了 40％。Poly-YOLO 同样将实例分割引入了检测任务中，使用基于极坐标网格上的大小无关多边形作为边界，预测每条边界的置信度和顶点位置，从而生成各种顶点数量的多边形。与 YOLOv3 相比，Poly-YOLO 在精度上保持不变，但比 YOLOv3 体积更小，速度更快，因此适用于嵌入式设备。
发现论文，激发创造
  • YOLOv3: 一项渐进式的改进

    本研究介绍了 YOLOv3 目标检测算法的改进，包括设计修改、更精准的新网络以及在性能方面的提升。与其他算法相比，YOLOv3 具有更快的运行速度和相似的检测表现。

    Apr, 2018

  • 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

  • Open-YOLO 3D：面向快速准确的开放词汇的 3D 实例分割

    我们提出了一种名为 Open-YOLO 3D 的快速而准确的开放词汇 3D 实例分割方法，在多视角 RGB 图像中有效利用仅 2D 对象检测进行开放词汇 3D 实例分割，并通过生成类无关的 3D 掩码并与文本提示相关联来处理此任务。我们的 Open-YOLO 3D 在两个基准测试集 ScanNet200 和 Replica 上实现了最先进的性能，在与文献中最佳方法相比速度提高了多达 16 倍。

    Jun, 2024

  • YOLO9000: 更好、更快、更强

    这篇论文介绍了一种实时目标检测系统 YOLO9000，能够检测超过 9000 个物体类别，该系统基于改进的 YOLO 检测方法，结合了机器学习和 COCO 数据集进行训练，实现了同时进行目标检测和分类的功能。

    Dec, 2016

  • PP-YOLO: 目标检测器的有效而高效的实现

    该论文开发了一种基于 YOLOv3 的新型目标检测器 PP-YOLO，通过结合多种现有技巧，实现了相对平衡的效果和效率，其准确率达到了 45.2％mAP，帧率为 72.9FPS。

    Jul, 2020

  • YOLOv5, YOLOv8 和 YOLOv10：实时视觉领域首选检测器

    本文综述了 YOLO（You Only Look Once）目标检测算法的演进，着重介绍了 YOLOv5、YOLOv8 和 YOLOv10。分析了这些版本的架构改进、性能提升以及在边缘部署方面的适用性。研究结果表明在准确性、效率和实时性能方面不断取得了进展，并强调了它们在资源受限环境中的适用性。本综述提供了模型复杂性和检测准确性之间的权衡，为选择特定边缘计算应用的最合适的 YOLO 版本提供指导。

    Jul, 2024

  • 快速 YOLO: 一种实时嵌入式视频目标检测仅需一次看图系统

    本文提出了一种名为 Fast YOLO 的新框架，通过深度智能进化框架优化了 YOLOv2 网络架构并将运动自适应推理方法引入，从而在保持性能的同时，在嵌入式设备上实现实时物体检测。实验结果表明，Fast YOLO 框架可以在平均 3.3 倍的速度加速下，将嵌入式系统上的检测性能提高到 18FPS。

    Sep, 2017

  • YOLO-OB：基于多尺度无锚点实时结肠肿瘤检测器的改进

    本论文提出了一种名为 YOLO-OB 的新模型，通过双向多尺度特征融合结构和基于中心的无锚框回归策略，显著提高了息肉检测的各项性能指标，尤其是召回率，同时实现了基于 RTX3090 图形卡的实时息肉检测（每秒 39 帧）。

    Dec, 2023

  • SlimYOLOv3：针对实时无人机应用更窄、更快、更好

    本论文介绍通过通道剪枝和 L1 正则化实现深度物体探测器的学习，从而获得适用于 UAV 平台的实时目标检测器 SlimYOLOv3，其对比 YOLOv3 具有更少的可训练参数、更低的浮点运算次数和参数大小、更快的运行速度和相当的检测准确率。

    Jul, 2019

  • Scaled-YOLOv4: 跨阶段部分网络的扩展

    使用基于 CSP 方法的 YOLOv4 目标检测神经网络可进行极小至极大规模网络的缩放以及保持最优速度和精度，提出了一种网络缩放方法，其中 YOLOv4-large 模型在 Tesla V100 上以～16 FPS 的速度实现了 55.5% AP（73.4％AP50）的 MS COCO 数据集的最新结果，实现了 1774 FPS 的速度。通过使用 TensorRT，批量大小 = 4 和 FP16 精度，YOLOv4-tiny 实现了 22.0％AP（42.0％AP50）。

    Nov, 2020