Oct, 2023

感知强化的辅助学习特征融合：面向头部检测的改进型 Yolov8

PDF
TL;DR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。
head detectionyolov8auxiliary learning feature fusionnoise calibrationbackbone
发现论文，激发创造
  • 基于改进的 YOLOv8 的分心驾驶行为目标检测方法研究

    通过在 YOLOv8 模型中集成 BoTNet 模块、GAM 注意机制和 EIoU 损失函数，优化了特征提取和多尺度特征融合策略，简化了训练和推断过程，显著提高了检测的准确性和效率，实验结果表明改进模型在检测速度和准确性方面表现出色，能够实时识别和分类分心驾驶行为，提供及时警示，增强驾驶安全。

    Jul, 2024

  • YOLOSA 基于 2D 局部特征叠加自注意力的物体检测

    通过使用新颖的自注意力模块，将全局特征反映到局部特征和局部接受域，以及优化解耦头和 AB-OTA，我们提出的模型在大中小型模型上能够实现 49.0%（71FPS，14ms），46.1%（85FPS，11.7ms）和 39.1%（107FPS，9.3ms）的平均精度，超过了 YOLOv5 0.8%-3.1% 的平均精度。

    Jun, 2022

  • ADA-YOLO: YOLOv8 和自适应头部的动态融合用于精确图像检测与诊断

    基于注意力机制的医学目标检测方法 ADA-YOLO 在血细胞计数和检测 (BCCD) 数据集上表现出色，相较于 YOLOv8 模型，它在 mAP（平均准确率）上优于后者，并仅使用了三倍以上的空间，适用于资源受限的环境，如移动设备或边缘计算系统。

    Dec, 2023

  • EFLNet：增强红外小目标检测的特征学习

    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。

    Jul, 2023

  • BGF-YOLO: 基于多尺度注意力特征融合的改进 YOLOv8 用于脑肿瘤检测

    该论文介绍了一种新颖的 BGFG-YOLO 架构，通过将 Bi-level Routing Attention（BRA）、Generalized feature pyramid networks（GFPN）、Forth detecting head 和 Generalized-IoU（GIoU）bounding box regression loss 结合到 YOLOv8 中，实现了对自动脑肿瘤检测的高准确性。实验结果显示，与 YOLOv8x 相比，BGFG-YOLO 在脑肿瘤检测数据集 Br35H 上的 mAP50 绝对增加了 3.4％，达到了 state-of-the-art 水平。

    Sep, 2023

  • 实时深度学习车辆和行人检测与分析

    通过训练和评估 YOLOv8 和 RT-DETR 模型的不同版本，我们的研究项目旨在创建和验证一个先进的深度学习框架，能够处理复杂视觉输入，以实时识别各种环境中的汽车和行人。YOLOv8 Large 版本被证明是最有效的，在行人识别方面具有很高的准确性和鲁棒性。研究结果表明，该模型能够显著提高交通监控和安全性，成为计算机视觉领域实时可靠检测的重要贡献，并为交通管理系统建立了新的基准。

    Apr, 2024

  • 小型数据集的有效二阶段训练范式检测器

    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。

    Sep, 2023

  • 自主车辆感知的检测分割卷积神经网络

    通过对三种不同的网络体系结构进行实验，我们证明了多任务 V3 对于物体检测和区域分割的性能最佳，可在自动驾驶车辆的嵌入式感知系统中具有实用性。

    Jun, 2023

  • 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

  • 面部、面部特征点和头部姿态联合检测的实时多任务学习系统

    该论文提出了一个实时多任务检测系统，能同时执行面部、面部标志和头部姿势的联合检测，以处理大角度面部姿势挑战，并在多个数据集上验证了其实时性能和有效性。

    Sep, 2023