Sep, 2023

Joint-YODNet：一种轻量级的无人机目标检测器以实现超过 100 帧每秒

PDF
TL;DR通过针对小目标检测任务设计的联合损失函数，我们提出了一种名为 JointYODNet 的新颖方法，用于通过无人机图像和雷达数据进行小目标检测。我们的方法在各种环境条件下的无人机图像数据集上进行了广泛实验，并评估了不同变体的损失函数，确定了最有效的配方。结果表明，我们的联合损失函数在准确定位小目标方面优于现有方法，具有 0.971 的召回率和 0.975 的 F1 分数，超过了最先进的技术。此外，我们的方法在不同尺度下检测小目标的鲁棒性表现出了 98.6% 的 [email protected] (%)。
small object detectionuav imagesjoint loss functiondronesradar
发现论文，激发创造
  • YOLO-Drone: 高空实时检测密集小物体

    研究提出了一种新的实时目标检测算法 YOLO-Drone，应用于两种新的无人机平台和特定光源，在 UAVDT 和 VisDrone 两个基准数据集以及夜间采集的自制数据集中表现优于现有的状态 - of-the-art 方法，并且在硅基金光 LED 下的性能表现明显优于普通光源，证明了该算法对无人机领域中的目标检测特别是夜间检测任务具有高效的解决方案。

    Apr, 2023

  • 针对航空图片的 YOLOv4 目标检测分析与改进

    本文介绍了一种基于 YOLOv4 的计算机视觉算法，可以快速准确地检测无人机航拍图像中的目标物体，可应用于实时监测等领域。

    Mar, 2022

  • YOLO-FEDER FusionNet：一种用于无人机检测的新型深度学习架构

    通过将通用目标检测算法与专门的伪装物体检测技术相结合，我们引入了一种名为 YOLO-FEDER FusionNet 的创新深度学习架构，提高了无人机检测能力，通过全面评估证明了该模型的高效性，并在减少漏检和误报方面取得了显著的改进。

    Jun, 2024

  • SyNet：用于无人机图像目标检测的集成网络

    本文提出了一个结合单步检测和多步检测优点的集成网络 SyNet，该方案在两个不同的数据集中均获得了最先进的结果。

    Dec, 2020

  • SlimYOLOv3：针对实时无人机应用更窄、更快、更好

    本论文介绍通过通道剪枝和 L1 正则化实现深度物体探测器的学习，从而获得适用于 UAV 平台的实时目标检测器 SlimYOLOv3，其对比 YOLOv3 具有更少的可训练参数、更低的浮点运算次数和参数大小、更快的运行速度和相当的检测准确率。

    Jul, 2019

  • UCDNet: 基于可靠特征映射的多无人机协同三维物体检测网络

    提出了一种无与伦比的基于相机的多 UAV 协同三维物体检测范式 UCDNet，通过显式利用 UAV 到地面的深度信息作为强先验，为更准确和可推广的特征映射提供参考。此外，设计了一种同质点几何一致性损失作为辅助自监督方法，直接影响特征映射模块，从而增强多视角感知的全局一致性。在 AeroCollab3D 和 CoPerception-UAVs 数据集上的实验结果表明，与基准方法相比，我们的方法分别提高了 4.7％和 10％的 mAP，证明了 UCDNet 的优越性。

    Jun, 2024

  • 确保无人机安全：基于视觉信息的实时碰撞避免框架，通过目标检测、跟踪和距离估计

    使用光学传感器进行无人机的检测、跟踪和距离估计，通过深度学习框架、目标检测模块、跟踪模块和深度估计模块实现全自主飞行和高级空中流动的无人机。

    May, 2024

  • 无人机实时人体检测

    本研究提出了一种适用于无人机热红外图片和视频的目标检测框架，基于 CNN 架构的 YOLO 模型，通过定量和定性评估深度学习模型，在人的交叉检测性能方面展示了 YOLOv7 模型在不同无人机观察角度下的应用。

    Jan, 2024

  • 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

  • 天空中的眼睛：基于无人机的物体跟踪和三维定位

    本文提出了一种基于深度学习目标检测的无人机多目标跟踪和三维定位方案，将 TrackletNet Tracker（TNT）和多视图立体技术相结合，能够对设备拍摄的对象进行检测、跟踪并测定其三维坐标。

    Oct, 2019