基于深度学习框架的数字建筑平面图符号识别
评估和比较适用于识别卫星图像中飞机的一套先进目标检测算法,并使用 HRPlanesV2 数据集和 GDIT 数据集进行验证,研究表明 YOLOv5 是特定情况下从遥感数据中识别飞机的最佳模型,具有高精度和适应性。
Apr, 2024
本文旨在使用仅有少量示例来进行卫星图像中的目标检测,从而使用户能够使用最少的注释来指定任何目标类。我们探讨了来自开放词汇检测和遥感领域的最新方法和思路。我们基于传统的两阶段架构开发了一个少样本目标检测器,其中分类块被基于原型的分类器替代。我们使用大规模预训练模型构建类参考嵌入或原型,并与区域建议内容进行标签预测。另外,我们提出在可用的训练图像上微调原型,以提高性能并学习类似类别之间的差异,例如飞机类型。我们对包含具有挑战性和罕见对象的两个遥感数据集进行了广泛评估。此外,我们研究了视觉和图像文本特征的性能,即 DINOv2 和 CLIP,包括专门针对遥感应用的两个 CLIP 模型。结果表明,视觉特征在很大程度上优于视觉语言模型,因为后者缺乏必要的领域特定词汇。最后,尽管训练参数很少,但开发的检测器在 SIMD 和 DIOR 数据集上表现出优于全监督和少样本方法的性能。
Mar, 2024
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
利用现代生成模型和多模态学习的组合潜能,本研究提出了一种完全自动化的框架,可对卫星图像上的目标进行检测。我们利用 CLIP(Contrastive Language-Image Pre-Training)的能力来将图像特征与文本描述相关联,并识别生成器网络中的神经元以构建即时目标检测器。
Oct, 2022
本文以 YOLO 架构为基础,针对 Fischertechnik 工业 4.0 应用中的流程监控展开研究,通过采用不同大小和复杂度的 YOLO 架构以及不同的先前形状分配策略,结合丰富的数据集进行实验,研究结果表明了所提出方法的有效性及所采用的培训和验证策略能够解决该问题天然存在的色彩相关性。
Jan, 2023
通过提出一种方法,我们展示了在获取高质量标签的过程中,使用神经网络 YOLOv8 可以实现对六边形接触孔 DSA 模式的缺陷检测,并讨论了我们的标签方法的优势和局限性,为以数据为中心的基于机器学习的缺陷检验提出了未来研究的方向。
Jul, 2023
使用 You Only Look Twice (YOLT) 管道,通过深度学习技术,在相对较少的训练数据和多个传感器上快速、有效地检测任意尺寸的目标,包括小于 10 个像素。
May, 2018
通过结合超分辨率和经过修改的轻量级 YOLOv5 架构,我们提出了一种创新的方法,用于在航空影像中准确检测小型密集目标,并通过一系列数据集的评估,证明该模型在高密度遮挡条件下能够实现更好的检测结果,从而为航空影像中的目标检测领域带来显著进展。
Jan, 2024
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