YUDO:统一定向物体检测的YOLO
YOLO是一种新的目标检测方法,使用单个神经网络从完整图像中直接预测边界框和类别概率,具有实时处理速度、误检低和物体的通用表示等优势。
Jun, 2015
使用激光雷达基于点云数据构建一个能够实时3D检测物体的深度学习算法,该算法使用了Euler-Region-Proposal Network (E-RPN)技术,确保了高准确性和高效率。该算法在KITTI基准测试中表现出色。
Mar, 2018
该论文开发了一种基于YOLOv3的新型目标检测器PP-YOLO,通过结合多种现有技巧,实现了相对平衡的效果和效率,其准确率达到了45.2%mAP,帧率为72.9FPS。
Jul, 2020
本文研究了如何通过修改 YOLOv5 模型的结构和参数来提高其在自动驾驶赛车中检测小目标的性能,最终提出了一系列新模型 YOLO-Z,并取得了最多 6.9% 的 mAP 改进。
Dec, 2021
本技术报告介绍了YOLOv6的开发和部署,该模型包括最新的网络设计、训练策略、测试技术、量化和优化方法,可适用于不同规模的应用场景,并在各种硬件平台上表现出色。
Sep, 2022
本文综合分析了YOLO实时目标检测系统的发展历程及其每个版本的创新和贡献,从原版YOLO到YOLOv8,涵盖了标准度量和后处理、网络架构和训练技巧等方面,总结了YOLO发展的重要经验和展望其未来,强调提高实时目标检测系统的潜在研究方向。
Apr, 2023
提供高效且表现良好的目标检测器YOLO-MS, 基于对不同核大小的卷积如何影响不同尺度物体的检测性能进行一系列研究来实现。新的策略能够大大增强实时目标检测器的多尺度特征表示。在MS COCO数据集上训练的YOLO-MS, 不依赖于其他大规模数据集或预训练权重, 在相同参数和FLOPs数量下, 优于最近的实时目标检测器,包括YOLO-v7和RTMDet。
Aug, 2023
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
通过消除非极大值抑制(NMS)的依赖性和综合优化YOLOs的各个组件,本研究提出了一种新一代的实时端到端目标检测模型YOLOv10,其在性能和效率方面均取得了最新的成果。
May, 2024
基于 State Space Models 的 Mamba-YOLO 目标检测模型通过优化 SSM 和引入 LSBlock 和 RGBlock 模块,在 COCO 和 VOC 数据集上实验证明,其在性能和竞争力方面均超过了现有的 YOLO 系列模型,展示了其巨大的潜力和竞争优势。
Jun, 2024