手动装配场景下近实时自我中心感知中的小物体检测

CVPRJun, 2021

手动装配场景下近实时自我中心感知中的小物体检测

Small Object Detection for Near Real-Time Egocentric Perception in a Manual Assembly Scenario

Hooman Tavakoli, Snehal Walunj, Parsha Pahlevannejad, Christiane Plociennik, Martin Ruskowski

TL;DR通过利用环境背景和 CAD 数据，基于 YOLOv4 模型的两阶段检测流程，研究在 Microsoft Hololens 2 等增强现实设备中实现小物体检测的方法。

Abstract

Detecting small objects in video streams of head-worn augmented reality devices in near real-time is a huge challenge: training data is typically scarce, the input video stream can be of limited quality, and small objects are notoriously hard to detect. In industrial scenarios, however

small object detection augmented reality cad data egocentric perception yolov4 model

发现论文，激发创造

基于分布式深度学习和合成数据生成的搜救小目标检测

该研究使用 UAV 和固定监控摄像头构建了一个自动目标检测系统，结合了图像分割、增强和卷积神经网络等技术，可以在 8 秒内检测到目标，并使用合成数据生成和数据增强技术提高检测精度，这一解决方案有望帮助一线应对突发事件和搜救操作。

Apr, 2019

实时车载目标检测用于增强现实：基于 YOLOv8 增强头戴式显示器

本文提出了一种软件架构，用于在增强现实环境中使用机器学习进行实时物体检测。我们采用最新的 YOLOv8 网络，它可以在 Microsoft HoloLens 2 头戴式显示器上运行。我们展示了该模型的图像处理流水线以及用于在资源受限的边缘计算平台上实现实时性的技术。实验结果表明，我们的解决方案在不需要将任务卸载到云或其他外部服务器的情况下实现了实时处理，并保持了满意的精度和质量表现。

Jun, 2023

利用深度学习在遮挡环境和背景杂乱效果中进行实时物体检测

通过改进检测精度、减少模型面临的问题以及应用数据增强、噪声降低、参数优化和模型融合等技术，我们提出了一种针对混杂背景、遮挡环境中实时检测汽车和坦克的深度学习模型。SSD-Mobilenet v2 模型的准确率和帧数优于 YOLO V3 和 YOLO V4，我们通过引入数据增强、噪声降低、参数优化和模型融合等技术进一步提高检测和识别的效果，并对检测方式进行了统计，属性实验比较，并实现了一个具有物体计数、警报、状态、分辨率以及帧数等功能的图形用户界面系统。该方法的实施得到了 YOLO V3、V4 和 SSD 分析的确认，以完成提出的方法。

Jan, 2024

YOLO-Z: 自动驾驶车辆中改进 YOLOv5 小物体检测

本文研究了如何通过修改 YOLOv5 模型的结构和参数来提高其在自动驾驶赛车中检测小目标的性能，最终提出了一系列新模型 YOLO-Z，并取得了最多 6.9％的 mAP 改进。

Dec, 2021

视频目标检测的鲁棒高效后处理

本文提出了一种基于学习相似度评估的后处理方法，它可以克服先前后处理方法的一些局限性，提高特定视频检测器的结果，特别是在快速运动物体方面，并具有低资源要求。该方法还可以应用于像 YOLO 这样的高效静态图像检测器，提供与计算量更大的检测器相当的结果。

Sep, 2020

利用物体检测和口头反馈帮助盲人

本研究使用 YOLO 模型和 OpenCV 库，利用实时视频检测对象并将图像识别结果以可听形式提供给视觉障碍者，成功实现了优秀的平均准确率 (mAP)。

Dec, 2023

Complexer-YOLO：基于语义点云的实时 3D 目标检测和跟踪

本文提出了一种融合神经网络、视觉语义分割、在自主驾驶场景下的 3D 目标检测方法，引入了一种名为 SRTs 的快速评估指标，并采用状态优化的多目标特征跟踪机制，实现了高精度和实时性的平衡，并在 KITTI 基准测试中验证了方法的有效性。同时，该方法首次将视觉语义与 3D 目标检测相融合。

Apr, 2019

实时深度学习车辆和行人检测与分析

通过训练和评估 YOLOv8 和 RT-DETR 模型的不同版本，我们的研究项目旨在创建和验证一个先进的深度学习框架，能够处理复杂视觉输入，以实时识别各种环境中的汽车和行人。YOLOv8 Large 版本被证明是最有效的，在行人识别方面具有很高的准确性和鲁棒性。研究结果表明，该模型能够显著提高交通监控和安全性，成为计算机视觉领域实时可靠检测的重要贡献，并为交通管理系统建立了新的基准。

Apr, 2024

智能眼镜上的超高效设备端物体检测技术

本文说明了在智能眼镜中设计和实现利用新型低功耗处理器的小型机器学习算法，以实现持续不间断运行。我们使用两个微控制器和蓝牙低功耗模块为研究平台设计了智能眼镜原型，集成了用于能耗和延迟评估的基于 YOLO 的小型深度学习模型 TinyissimoYOLO，并在原型上进行了评估，结果表明其具有良好的检测精度和能耗性能。

Nov, 2023

提升物联网应用中轻量级神经网络对小物体检测的性能

基于现有对象检测器，本论文提出一种新颖的自适应平铺方法，可用于微控制器上，以提高小物体的检测效果，实验证明该方法可将 F1 得分提高 225％，同时将平均物体计数误差降低至 76％，此外，结果还表明使用软 F1 损失函数可以显著减少数据不平衡带来的负面影响，并通过在索尼 Spresense 微控制器上的实验证明了该方法在检测性能、低延迟和内存消耗之间实现平衡。

Nov, 2023