YOLO 系列水下环境目标检测算法
我们提出了一种利用 YOLO 深度学习模型的自动珊瑚检测系统,该系统针对水下图像分析进行了专门设计,该系统在原始图像数据集上成功实现了高效准确的珊瑚检测,突显了高级计算机视觉技术在珊瑚礁研究和保护中的潜力。
Apr, 2024
此综述系统地考察了 You Only Look Once(YOLO)目标检测算法从 YOLOv1 到最新发布的 YOLOv10 的发展进程。通过逆向时间顺序分析,研究探讨了 YOLO 算法带来的进步,从 YOLOv10 开始,逐步分析了 YOLOv9、YOLOv8 和后续版本在提高实时目标检测的速度、准确性和计算效率方面的贡献。该研究强调了 YOLO 在五个关键应用领域(汽车安全、医疗保健、工业制造、监视和农业)的革命性影响。通过详细描述每个版本的技术进步,本综述不仅记录了 YOLO 的演变,还讨论了早期版本中观察到的挑战和限制。这种演进标志着将 YOLO 与多模态、上下文感知和通用人工智能(AGI)系统相结合的路径,为下一个 YOLO 十年提供了重要的发展影响,对于 AI 驱动应用的未来发展具有重要意义。
Jun, 2024
视觉在农业中发挥着重要作用,研究和应用 You Look Only Once (YOLO) 在农业领域的物体识别能够实现实时监测、自动化监视和物体处理,减少劳动力、生产成本和环境影响,同时最大限度地提高资源效率。
Jan, 2024
本文提出了一种名为 Fast YOLO 的新框架,通过深度智能进化框架优化了 YOLOv2 网络架构并将运动自适应推理方法引入,从而在保持性能的同时,在嵌入式设备上实现实时物体检测。实验结果表明,Fast YOLO 框架可以在平均 3.3 倍的速度加速下,将嵌入式系统上的检测性能提高到 18FPS。
Sep, 2017
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
20 年来,深度学习技术一直在海洋垃圾问题中得到探索,并且在过去的 5 年中取得了快速发展。该研究提供了 28 项最近和最重要的关于深度学习在海洋垃圾识别中的贡献的全面、最新的总结和分析。交叉引用研究结果表明,YOLO 系列方法在目标检测方面明显优于其他方法,但是有很多受认可的贡献明确表示目前没有可用于机器学习的全面的水下垃圾数据库。我们使用我们自己策划和标记的小型数据集,在二元分类任务上测试了 YOLOv5,发现准确率较低,假阳性率较高,凸显了建立全面数据库的重要性。最后,我们提出了 40 多项未来研究建议和开放性挑战。
Mar, 2024
YOLO-World is an innovative approach that enhances the You Only Look Once (YOLO) series of detectors with open-vocabulary detection capabilities through vision-language modeling, achieving high efficiency and accuracy in detecting a wide range of objects in a zero-shot manner.
Jan, 2024
近年来,在水下图像增强(UIE)领域取得了显著进展,但其在自主水下载具(AUVs)中的水下物体检测(UOD)等高级视觉任务中的实际应用仍较少探索。我们介绍了一种集成实时框架 EnYOLO,旨在同时进行 UIE 和 UOD,并具有域自适应能力。综合实验表明,我们的框架不仅在 UIE 和 UOD 任务中达到了最先进的性能,而且在应用于不同的水下场景时显示出了卓越的适应性。
Mar, 2024
提出了一种命名为 BG-YOLO 的水下目标检测的双向引导方法,通过构建增强分支和检测分支以及特征引导模块,该方法在显著改善严重降质的水下场景中的检测器性能的同时保持了出色的检测速度。
Apr, 2024
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