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

该研究通过在YOLOv3后部添加空间金字塔池化层来提高面向无人机数据的物体检测性能，在经过VisDrone2019-Det数据集验证后，发现其mAP比YOLOv3高0.6％，比YOLOv3-Tiny高26.6％。

May, 2023

在小物体检测领域，针对计算代价大且预测性能有待提高的问题，提出了一种改进的YOLOv5模型：HIC-YOLOv5。它通过添加特定于小物体的额外预测头部以提供更高分辨率的特征图进行更精确的预测，采用了involution块在主干网和neck之间以增加特征图的通道信息，并在主干网的末端应用了一种名为CBAM的注意力机制，从而不仅减少了与先前方法相比的计算代价，还加强了通道和空间域中的重要信息。在VisDrone-2019-DET数据集上，HIC-YOLOv5的mAP@[.5:.95]提高了6.42%，[email protected]提高了9.38%。

Sep, 2023

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

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

通过建立在CenterNet上的高效和有效的框架YOLC，我们引入了局部尺度模块（LSM）来解决处理大规模图像和非均匀目标分布时的挑战，通过使用高斯Wasserstein距离（GWD）修改回归损失以获得高质量边界框，并在检测头部使用可变形卷积和改进方法来增强对小目标的检测。我们在Visdrone2019和UAVDT等两个航拍图像数据集上进行了大量实验，证明了我们提出的方法的有效性和优越性。

Apr, 2024

该研究通过比较分析YOLOv5和YOLOv8模型，挑战了后者在性能指标上的优越性的普遍假设。与最初的预期相反，YOLOv5模型在目标检测任务中表现出了可比较的甚至在某些情况下优越的精度。我们的分析探讨了导致这些发现的底层因素，包括模型架构复杂性、训练数据集的差异和实际应用性等方面。通过严格测试和消融研究，我们呈现了对每个模型能力的细致理解，为选择和优化用于机器人应用的目标检测框架提供了洞察。该研究的意义扩展到更高效和情境适应性系统的设计，强调了评估模型性能的整体方法的必要性。

Jun, 2024

本文综述了YOLO（You Only Look Once）目标检测算法的演进，着重介绍了YOLOv5、YOLOv8和YOLOv10。分析了这些版本的架构改进、性能提升以及在边缘部署方面的适用性。研究结果表明在准确性、效率和实时性能方面不断取得了进展，并强调了它们在资源受限环境中的适用性。本综述提供了模型复杂性和检测准确性之间的权衡，为选择特定边缘计算应用的最合适的YOLO版本提供指导。

Jul, 2024

本研究针对YOLOv9目标检测模型进行全面分析，填补了对其架构创新、训练方法及性能改进的认识空白。论文提出了新的特征提取和梯度流技术，如通用高效层聚合网络（GELAN）和可编程梯度信息（PGI），显著提升了检测精度和效率，展示了YOLOv9在多项基准测试中的优越表现，确立了其在实时目标检测中的领先地位。

Sep, 2024