Jun, 2023

使用方向边界框进行物体检测的环境条件评估，用于增强现实应用

PDF
TL;DR该研究提出了一种新的方法，使用定向边界框与深度识别网络来改善增强现实中场景分析和物体识别的性能和处理时间，该方法使用 DOTA 数据集和一个模拟不同环境、照明和获取条件的合成数据集进行评估，结果表明该方法在大多数测试条件下能够更好地识别小物体，具有更高的平均精度和准确性。
发现论文，激发创造
  • 对象检测提议在条件变化下的评估

    本文介绍了一种将 Selective Search 和 EdgeBoxes 相结合的目标检测方法，并在环境变化下对其进行了实验验证，结果表明此方法在光照和视角变化下性能优于其他两种方法。

    Dec, 2015

  • 利用盒状边界感知向量进行航拍图像中的目标定向检测

    提出了一种针对航拍图像中目标识别的方法，使用基于关键点的检测器检测目标的中心点，进而回归边界感知向量以捕获定向边界框，通过旋转边界框分类实现在所有方向上的目标检测，并通过实验证明优于基线方法，与现有方法相比具有竞争优势。

    Aug, 2020

  • 基于边缘的定向物体检测

    在遥感领域，我们提出了一种基于边缘梯度的独特损失函数，通过此函数解决了定向物体检测中面临的非可微性和梯度向量对齐的问题，并设计了一个基于边缘的自注意力模块，通过这两个创新，我们在 DOTA 数据集上实现了 1.3% 的 mAP 提升。

    Sep, 2023

  • 应用于增强现实的即时 3D 物体跟踪

    本篇研究提出使用深度神经网络和可靠的平面追踪技术结合，实时追踪物体的姿态，而无需传感器的预先校准或初始化，实现在移动设备上执行相对尺度 9 自由度跟踪。

    Jun, 2020

  • 汽车雷达中的概率定向物体检测

    本文提出了一种基于深度学习算法的雷达目标检测方法，该方法可直接对原始雷达张量数据进行处理，在鸟瞰图空间中为检测到的目标放置概率定向边界框。借助新建的多模态数据集，仅使用原始雷达数据作为输入，发展了一种车辆检测管道，并取得了 77.28％ AP（相对 3D 外接框交并比为 0.3）的最佳性能，实现了对传统角落式汽车雷达中原始雷达数据的目标检测。

    Apr, 2020

  • 面向非约束遥感图像的多类目标检测

    本文提出了一种新方法，即一个新的联合图像级联和特征金字塔网络，用于在遥感图像中提取多尺度的强和弱语义特征，并进行定向边界框的检测和旋转非极大值抑制，提高了模型的性能。同时，该模型还具有对图像和对象尺度和方向的鲁棒性，可在多类物体检测应用程序中部署。

    Jul, 2018

  • 提升航空图片中小型定向物体的检测

    我们提出了一种方法，通过增强定向目标检测模型的分类和回归任务，准确地检测空中图像中的小型定向目标。我们设计了一个 Attention-Points 网络，其中包含两个损失函数：Guided-Attention Loss（GALoss）和 Box-Points Loss（BPLoss）。实验结果表明，我们的 Attention-Points 网络在标准的小型目标空中数据集（DOTA-v1.5）和海事相关数据集（HRSC2016）中具有很好的效果。代码公开可用。

    Jan, 2024

  • 增强现实与计算机视觉：城市驾驶场景的高效数据生成

    本研究探讨了结合实际图片和虚拟对象的增量学习方法，通过少量用户交互的方式，将虚拟对象添加到实际图片中，从而提高物体实例分割模型的性能。通过在 KITTI 2015 和 Cityscapes 数据集上的实验结果表明，增量学习方法可以显著提高实例分割和物体检测模型的泛化能力。

    Aug, 2017

  • 任意方向目标检测的动态锚点学习

    提出了一种动态锚点学习方法（DAL），通过全新定义匹配度评估锚点的定位潜力，实现有效标签分配并动态选择高质量锚点以实现准确目标检测，结果表明该方法在远程感知数据集 HRSC2016、DOTA、UCAS-AOD 以及场景文本数据集 ICDAR 2015 上获得了较好的检测性能。

    Dec, 2020

  • 不受限环境目标检测技术的综合研究

    本文综合研究了计算机视觉中物体检测技术在无约束环境下的各种挑战、数据集和最新方法，并进行了方法的比较分析，强调了它们的优缺点，并提出了未来的研究方向，以进一步改善在无约束环境下的物体检测技术。

    Apr, 2023