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
文章研究了无人机导航中基于视觉的障碍物检测和跟踪问题,提出了一种实时的对象定位和跟踪策略,将对象检测和跟踪有效地集成到动态卡尔曼模型中,并使用卡尔曼滤波提供对象状态的粗略预测,而无需对其进行手动初始化,具有比同类技术更快的运行速度和竞争性的跟踪性能。
Mar, 2017
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
通过开发人工智能技术,本研究提供了一个包含不同类型未经授权的无人机数据集,用于比较各种被识别的目标检测模型,并提供了实验结果和方法描述。
May, 2024
本文介绍了一个被称作 VisDrone 的大规模数据集并探讨了无人机平台上的目标检测与跟踪算法。
Jan, 2020
无人机在树木检测中的应用方法进行了回顾和分析,包括利用点云数据的 LiDAR 和数字航空摄影 (DAP) 方法以及直接使用图像的深度学习 (DL) 方法,并统计了近年来使用不同方法进行树木检测的研究数量,指出基于图像的 DL 方法在树木检测研究中已成为主流趋势。该回顾可为希望在特定森林进行树木检测研究的科研人员提供帮助和指导,同时也可帮助农民利用无人机管理农业生产。
Sep, 2023
使用光学传感器进行无人机的检测、跟踪和距离估计,通过深度学习框架、目标检测模块、跟踪模块和深度估计模块实现全自主飞行和高级空中流动的无人机。
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
本文介绍了 NTU-ICG 团队提出的基于聚类学习检测的 LiDAR 技术应用于无人机跟踪和姿态估计的方法,通过两种类型的 LiDAR 传感器对无人机进行三维定位,并结合历史估计填充缺失数据,在 CVPR 2024 UG2+ Challenge 中获得了第五名的成绩。
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