Jul, 2023

EFLNet：增强红外小目标检测的特征学习

PDF
TL;DR我们提出了一种基于 YOLOv7 框架的增强特征学习网络 (EFLNet)，以解决红外小目标检测中目标与背景之间的极端不平衡、边界框回归对红外小目标的敏感性和高级语义层中小目标信息易丢失的问题，并通过实验证明我们的方法在红外小目标检测性能方面优于最先进的基于深度学习的方法。
infrared small target detectioneflnetyolov7 frameworkadaptive threshold focal loss functiondeep-learning based methods
发现论文，激发创造
  • iSmallNet：具有标签解耦的密集嵌套网络用于红外小目标检测

    本文提出了一种多流密集嵌套网络 iSmallNet，配合标签解耦技术针对红外小目标检测中常见的背景杂乱、易错报和 CNN 无法识别等问题，在内部地图和边界地图上解决源标签分布不均的问题，并引入多尺度嵌套交互模块和内部 - 边界融合模块以增强整个网络的性能，实验结果表明 iSmallNet 比其他 11 种最先进的检测器表现更好。

    Oct, 2022

  • ILNet: 突出红外小目标检测中的低级问题

    通过提出红外小目标检测的新方法 —— 红外低级网络（ILNet），结合交互极化正交特征融合模块（IPOF）和动态一维聚合层（DODA），利用集成学习思想设计代表性模块（RB），提高数据量的情况下，ILNet 在挑战性数据集上表现出了更好的性能。

    Sep, 2023

  • 基于多模块优化的 YOLOv5 小目标识别的改进和增强

    该研究深入研究并改进了 YOLOv5s 模型在小目标检测任务中的局限性，通过引入基于 GhostNet 的卷积模块、基于 RepGFPN 的 Neck 模块优化、CA 和 Transformer 的注意机制以及使用 NWD 改进的损失函数，成功提升了模型的性能，并在实验结果中验证了这些改进策略对于模型精度、召回率和 mAP 的积极影响。特别是，在处理复杂背景和微小目标的真实应用测试中，改进后的模型表现出显著的优越性。本研究为 YOLOv5s 模型在小目标检测上提供了有效的优化策略，并为未来相关研究和应用奠定了坚实的基础。

    Oct, 2023

  • 基于双层对抗框架增强红外小目标检测鲁棒性

    在本文中，我们提出了一个双层对抗性框架，在存在不同类型干扰的情况下提升了检测的鲁棒性。我们首先提出了一个双层优化的公式来引入动态对抗性学习，同时提供了一种分层增强学习策略来发现最有害的干扰。此外，我们还提出了一种用于目标检测的空间频率交互网络，以更好地分离干扰和显著特征。广泛实验证明我们的方案明显改善了在多种干扰下的 21.96％ IOU，并在通常的基准测试中提升了 4.97％的 IOU。

    Sep, 2023

  • 基于 Transformer 的改进密集嵌套注意力网络用于红外小目标检测

    提出了一种基于改进的稠密嵌套注意力网络（IDNANet）的红外小目标检测方法，采用变压器架构并结合 Swine-transformer 进行特征提取，在稠密嵌套结构中引入 ACmix 注意力结构增强中间层特征，通过设计加权 Dice 二元交叉熵（WD-BCE）损失函数缓解前景 - 背景样本不平衡的负面影响。通过在公共数据集上的实验表明，该方法在检测概率（P_d）、误警率（F_a）和平均交集联合（$mIoU$）等指标上优于其他最先进的方法，NUDT-SIRST 数据集上的 $mIoU$ 为 90.89，NUAA-SIRST 数据集上为 79.72。

    Nov, 2023

  • 使用 YOLOv5 从图像和视频中进行火灾检测

    通过改进的 YOLOv5 火灾检测深度学习算法，可以有效地处理室内、室外和森林火灾图像中的火灾目标检测，并且可以在不同的自然光照条件下进行火灾检测。

    Oct, 2023

  • 基于 YOLO 的红外小目标检测中的 $a ~ contrario$ 范式

    利用 “对原则” 决策标准将统计标准添加到 YOLOv7-tiny 中，从而使其在红外小目标检测和目标检测网络之间填补了性能差距，并显著增强了 YOLO 在少样本情况下的鲁棒性。

    Feb, 2024

  • 感知强化的辅助学习特征融合：面向头部检测的改进型 Yolov8

    我们提出了一种改进的 Yolov8 模型，通过加强目标感知来提高头部检测性能，并引入辅助学习特征融合（ALFF）模块和噪声校准到分布焦点损失中，以提供模型拟合和检测准确性，同时考虑到头部检测任务对高准确性和速度的要求，我们的方法使用了两种不同的骨干网络，即 Yolov8n 和 Yolov8m，实验证明了我们方法在提高检测准确性和稳健性方面的卓越性能。

    Oct, 2023

  • 无人机热图中使用深度学习进行目标检测

    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

  • 热红外追踪的多任务驱动特征模型

    该论文提出了一种基于多任务学习的框架，学习适用于红外追踪的特征模型，并使用大规模红外训练数据集来优化该模型。在三个基准测试中，实验结果表明，该算法的相对增益达到 10％，表现优于现有的方法。

    Nov, 2019