Sep, 2023

小型数据集的有效二阶段训练范式检测器

PDF
TL;DR这篇报告介绍了一种有效且稳健的解决方案，即 VIPriors Challenge 2023 中物体检测任务的两阶段训练范式 YOLOv8 检测器（TP-YOLOv8），通过有限的标记数据对预训练模型进行学习，利用掩模图像建模技术将 YOLOv8 的主干部分作为编码器进行预训练，再通过精细调整的增强技术对检测器进行微调，在测试阶段利用测试时增强和加权框融合来提高性能，在 DelftBikes 测试集上取得了 0.50 到 0.95 之间 30.4% 的平均精确度，排名第 4。
labeled datapre-train modelobject detectiontp-yolov8test-time augmentation
发现论文，激发创造
  • DEYOv3：实时目标检测中的 DETR 和 YOLO

    提出了一种名为 DEYOv3 的全新端到端实时目标检测模型，采用逐步训练方法，设计灵活、训练成本低，速度和准确性均优于现有的实时目标检测器。

    Sep, 2023

  • 概率两阶段检测

    该研究提出了一种概率解释的两阶段物体检测方法，从而建立了一个比两阶段检测器更快更准确的概率两阶段检测器，并通过 C OC O 测试数据验证其性能优越性。

    Mar, 2021

  • DEYO：用 YOLO 实现的端到端物体检测的 DETR

    通过逐步训练方法，我们介绍了第一个实时端到端的目标检测模型 DEYO，它利用了纯卷积结构编码器，并且在速度和准确性上超过了现有的实时目标检测器。此外，通过仅使用单个 8GB RTX 4060 GPU，DEYO 系列可以在 COCO 数据集上完成第二阶段的训练，从而显著降低了训练成本。

    Feb, 2024

  • YOLOv5, YOLOv8 和 YOLOv10：实时视觉领域首选检测器

    本文综述了 YOLO（You Only Look Once）目标检测算法的演进，着重介绍了 YOLOv5、YOLOv8 和 YOLOv10。分析了这些版本的架构改进、性能提升以及在边缘部署方面的适用性。研究结果表明在准确性、效率和实时性能方面不断取得了进展，并强调了它们在资源受限环境中的适用性。本综述提供了模型复杂性和检测准确性之间的权衡，为选择特定边缘计算应用的最合适的 YOLO 版本提供指导。

    Jul, 2024

  • 面向实时物体检测的训练时友好的网络

    本论文提出了一种名为 TTFNet 的训练时间友好型网络，可在保持具有状态 - of-the-art 性能的情况下，将训练时间缩短七倍以上，并且可以快速进行目标检测，方法是使用高斯核对训练样本进行编码，以实现在训练时间，推理速度和准确性之间的平衡。

    Sep, 2019

  • 金 - YOLO：通过聚集与分发机制实现高效物体检测

    在本研究中，我们提出了一种先进的 Gatherand-Distribute 机制（GD 机制），该机制借助卷积和自注意操作实现。我们设计的新模型 Gold-YOLO 在跨所有模型尺度上提升了多尺度特征融合能力并在延迟和准确性之间实现了理想的平衡。此外，我们首次在 YOLO 系列中实现了 MAE 风格的预训练，使得 YOLO 系列模型能够从无监督预训练中受益。Gold-YOLO-N 在 COCO val2017 数据集上取得了出色的 39.9％ AP 和在 T4 GPU 上的 1030 FPS，超过了以前的 SOTA 模型 YOLOv6-3.0-N 的相似 FPS +2.4％。

    Sep, 2023

  • YOLO-TLA：基于 YOLOv5 的高效轻量级小物体检测模型

    我们在本文中提出了 YOLO-TLA，这是一种基于 YOLOv5 的先进物体检测模型，通过在颈部网络金字塔架构中引入一个额外的检测层来检测小对象，从而提供一个更大尺度的特征图以辨别小对象的更细致特征，并将 C3CrossCovn 模块集成到骨干网络中，有效地减少计算需求和参数数量，使模型更加紧凑

    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

  • YOLOv10：实时端到端物体检测

    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

  • 基于轻量级 YOLO7-tiny 的快速车辆检测算法

    本文提出一种基于 Ghost-YOLOv7 的轻量级车辆检测算法，该算法的宽度为 0.5，而且使用 Ghost convolution 替换了骨干网络的标准卷积以实现轻量级化、提高检测速度，进而增强了特征提取能力、丰富了语义信息并提高了检测准确度。同时，引入坐标注意力机制来抑制环境干扰。该算法的实验表明，相较于原有算法，检测速度提高 27FPS，能够有效降低计算复杂度和参数数量，且在多项指标上表现更好，可用于智能交通系统。

    Apr, 2023