针对航空图片的 YOLOv4 目标检测分析与改进
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
本文提出了一种广义飞行物实时检测模型,可用于迁移学习和进一步研究,同时提出了一种可用于实现的改进模型。通过将第一通用模型训练在包含 40 种不同类别的飞行物数据集上,我们可以使模型提取抽象特征表示,然后在代表真实世界环境的数据集上执行传递学习,从而生成改进的模型,并且我们尝试使用当前最先进的单发探测器 YOLOv8 来解决一些出现的挑战。最后得到的模型达到了 0.685 的 mAP50-95 和 50fps 的平均推断速度。
May, 2023
研究提出了一种新的实时目标检测算法 YOLO-Drone,应用于两种新的无人机平台和特定光源,在 UAVDT 和 VisDrone 两个基准数据集以及夜间采集的自制数据集中表现优于现有的状态 - of-the-art 方法,并且在硅基金光 LED 下的性能表现明显优于普通光源,证明了该算法对无人机领域中的目标检测特别是夜间检测任务具有高效的解决方案。
Apr, 2023
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
本研究提出了一种神经网络模型,能够在无人机收集的热像图中识别小型和超小型目标。模型结构包括骨干网络、中间层和预测头,其中骨干网络基于 YOLOv5 结构,结尾使用了 Transformer 编码器。中间层采用了 BI-FPN 块以及滑动窗口和 Transformer 增加预测头的信息输入。预测头通过 Sigmoid 函数对特征图执行检测。Transformer 的注意力和滑动窗口的使用提高了识别准确性,同时保持了模型在嵌入式系统中的合理参数和计算需求。实验在公共数据集 VEDAI 和自己收集的数据集上进行,结果表明,与 ResNet、Faster RCNN、ComNet、ViT、YOLOv5、SMPNet 和 DPNetV3 等最先进方法相比,本模型具有更高的准确度。在嵌入式计算机 Jetson AGX 上的实验表明,本模型实现了实时计算,并具有超过 90% 的稳定性率。
Feb, 2024
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
本研究提出了一种适用于无人机热红外图片和视频的目标检测框架,基于 CNN 架构的 YOLO 模型,通过定量和定性评估深度学习模型,在人的交叉检测性能方面展示了 YOLOv7 模型在不同无人机观察角度下的应用。
Jan, 2024
使用无人机数据集以及卷积神经网络(CNN)和视觉变换器(ViT)模型,本文重新评估了准确的无人机检测任务,表明基本的 ViT 模型在单一无人机检测方面的性能比最佳 CNN 迁移学习模型提升了 4.6 倍,并且通过多无人机检测实现了令人印象深刻的 98% 和 96% 的 mAP 值。作者总结了 ViT 和 CNN 模型的独特特点,以帮助未来研究者开发更高效的深度学习模型。
Aug, 2023
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
动物种群数量急剧下降,精确计数濒危物种的技术对于长期监测种群变化至关重要。本研究侧重于优化用于无人机图像的目标检测模型,以创建准确的动物物种计数。通过使用无人机拍摄的数百张图片和大量可获取的无人机图像数据集,我们将传统的 YOLOv8 架构进行了优化。我们训练了 30 个不同的模型,其中最大的模型具有 4370 万个参数和 365 个层,并利用超参数调整和数据增强技术来提高准确性。尽管最先进的 YOLOv8 基线在野生动物数据集上只有 0.7%的准确性,但我们的模型在相同数据集上达到 95%的准确性。最后,我们将模型部署在 Jetson Orin Nano 上,演示了低功耗实时物种检测,便于在无人机上进行推断。
Jun, 2024