Sep, 2020

AMRNet：航拍图像物体检测中的芯片增强

PDF
TL;DR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。
object detectionaerial imagesaugmentation methodsscale variationclass imbalance
发现论文，激发创造
  • Select-Mosaic: 密集小物体场景的数据增强方法

    通过提出改进的 Select-Mosaic 数据增强方法，针对空中图像中大量密集小物体的检测挑战，该方法通过细粒度区域选择策略，在减少过拟合风险的同时，显著提高了检测模型的准确性和稳定性。

    Jun, 2024

  • 航空图像中的聚类目标检测

    本论文提出了一种利用聚类检测（ClusDet）网络来解决机载图像中小物体检测困难的问题，并在三个通用数据集上展现了其与其他检测器相比很有潜力的表现。

    Apr, 2019

  • 航拍影像中的目标检测：如何提高精度？

    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

  • 关于航空图像中目标检测模型的鲁棒性

    在本文中，我们针对受云层影响的航拍图像，提出了两个基于 DOTA-v1.0 的新型基准测试。通过对主流目标检测模型的系统评估和大量剖析实验，我们发现增强模型架构、更大的网络、精心设计的模块以及谨慎的数据增强策略可以共同提高航拍目标检测模型的稳健性。我们提出的基准测试和全面的实验分析有助于促进航拍图像中稳健目标检测的研究。

    Aug, 2023

  • 小目标检测的增强

    对于小目标和大目标的检测仍然存在着性能差距。为了解决这个问题，本文提出了一种通过过采样和复制粘贴小目标的数据增强方法来提高模型在小目标上的表现，实验结果表明相对于现有的先进方法，我们的方法在 MS COCO 数据集上将实例分割精度提高 9.7% ，目标检测精度提高了 7.1%。

    Feb, 2019

  • 面向非约束遥感图像的多类目标检测

    本文提出了一种新方法，即一个新的联合图像级联和特征金字塔网络，用于在遥感图像中提取多尺度的强和弱语义特征，并进行定向边界框的检测和旋转非极大值抑制，提高了模型的性能。同时，该模型还具有对图像和对象尺度和方向的鲁棒性，可在多类物体检测应用程序中部署。

    Jul, 2018

  • 通过裁剪窗口解决稀疏目标检测中的背景偏差

    本研究提出一种简单的平铺方法，以提高遥感情况下在无人机上进行目标检测的能力，通过降低背景偏差，使得可以在训练期间使用更高的图像分辨率，从而显著提高模型的性能。在三个不同的数据集上验证了该方法，并在性能和速度方面优于类似的方法。

    Jun, 2021

  • 基于密度地图的航拍图像目标检测

    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

  • 稀缺数据环境下航拍图像中的目标检测

    本文通过在航拍图像中对现有少样本目标检测方法进行深入分析，发现自然图像和航拍图像之间存在较大的性能差距，导致的原因是航拍图像中小物体的数量较多。因此，本文提出了一种精心设计的注意力机制来改善少样本目标检测方法在小物体上的性能，并提出了一种自适应尺度框相似性准则，特别适用于小物体的训练和评估。同时，本文还通过度量学习和微调提出了两种用于通用少样本目标检测的不同方法，其中微调方法在处理诸如跨域少样本目标检测等更复杂场景方面取得了显著的成果。最后，针对在 COSE 系统中部署检测模型的需求，本文利用 TensorRT 等现有优化工具成功解决了在超大图像（超过 100 百万像素）中实时进行检测的工程挑战。

    Oct, 2023

  • 农业航空图像语义分割中的增强不变性和自适应采样

    该论文探讨了农业航空图像的语义分割问题，提出了基于数据增强和采样方法的解决方案，实验证明该方法能够提高现有方法的性能。

    Apr, 2022