YOLO-Drone: 高空实时检测密集小物体

Apr, 2023

YOLO-Drone: 高空实时检测密集小物体

YOLO-Drone:Airborne real-time detection of dense small objects from high-altitude perspective

Li Zhu, Jiahui Xiong, Feng Xiong, Hanzheng Hu, Zhengnan Jiang

TL;DR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。

Abstract

unmanned aerial vehicles (UAVs), specifically drones equipped with remote sensing object detection technology, have rapidly gained a broad spectrum of applications and emerged as one of the primary research focus

unmanned aerial vehicles object detection computer vision real-time algorithm yolo-drone

发现论文，激发创造

针对航空图片的 YOLOv4 目标检测分析与改进

本文介绍了一种基于 YOLOv4 的计算机视觉算法，可以快速准确地检测无人机航拍图像中的目标物体，可应用于实时监测等领域。

Mar, 2022

从模糊到清晰的检测：基于 YOLOv5 的航空目标检测与超分辨率

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

SlimYOLOv3：针对实时无人机应用更窄、更快、更好

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

Joint-YODNet：一种轻量级的无人机目标检测器以实现超过 100 帧每秒

通过针对小目标检测任务设计的联合损失函数，我们提出了一种名为 JointYODNet 的新颖方法，用于通过无人机图像和雷达数据进行小目标检测。我们的方法在各种环境条件下的无人机图像数据集上进行了广泛实验，并评估了不同变体的损失函数，确定了最有效的配方。结果表明，我们的联合损失函数在准确定位小目标方面优于现有方法，具有 0.971 的召回率和 0.975 的 F1 分数，超过了最先进的技术。此外，我们的方法在不同尺度下检测小目标的鲁棒性表现出了 98.6% 的 [email protected] (%)。

Sep, 2023

无人机实时人体检测

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

YOLOv8 实时飞行物体检测

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

面向高性能目标检测的研究：基于 ViT 和基于 CNN 的深度学习模型的无人机检测的洞察

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

YOLO-FEDER FusionNet：一种用于无人机检测的新型深度学习架构

通过将通用目标检测算法与专门的伪装物体检测技术相结合，我们引入了一种名为 YOLO-FEDER FusionNet 的创新深度学习架构，提高了无人机检测能力，通过全面评估证明了该模型的高效性，并在减少漏检和误报方面取得了显著的改进。

Jun, 2024

天空中的眼睛：基于无人机的物体跟踪和三维定位

本文提出了一种基于深度学习目标检测的无人机多目标跟踪和三维定位方案，将 TrackletNet Tracker（TNT）和多视图立体技术相结合，能够对设备拍摄的对象进行检测、跟踪并测定其三维坐标。

Oct, 2019

用于濒危动物种群监测的多物种目标检测无人机图像系统

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