通过裁剪窗口解决稀疏目标检测中的背景偏差
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
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
提出了一种基于回归的运动稳定方法,旨在检测被拍摄的机动飞行器在复杂背景中移动的情况,该方法在运动与外观两方面共同作用下可以对比先进技术更有效地运用时空图像块进行分类,并通过收集两个具有挑战性的数据集为飞行物体检测和视觉引导式避碰创建基准。
Nov, 2014
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
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。
Sep, 2020
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
本文提出了一种利用深度学习和流张量时空滤波相结合的多线索检测管道,可以高效地检测移动车辆并结合上下文信息进行语义压缩,以更好地利用空地网络链路的有限带宽。
Jul, 2019
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
本文研究了稀疏卷积物体检测网络在自动驾驶系统中的应用,通过与基线模型对比,证明了 SKPP-DPVCN 架构在 Car AP4.0 的表现上超过了基线模型和之前的最新技术,同时在平均尺度误差上也实现了显著减少。
Aug, 2023