Nov, 2023

可见光和红外图像流中的低光照行人检测：问题与挑战

PDF
TL;DR综述了最近在低光条件下行人检测方法的发展，系统地对基于区域、非区域和图形学习方法的各种算法进行分类和分析，同时着重介绍了这些算法的方法学、实施问题和挑战，还概述了可用于研究和开发先进行人检测算法的关键基准数据集，特别是在低光情况下。
发现论文，激发创造
  • 低光照条件下的行人检测：综述

    综述了针对低光条件下行人检测的各种方法和数据集，并讨论了挑战和最近提出的解决方法，主要使用基于深度学习的图像融合方法进行准确可靠的行人检测。

    Jan, 2024

  • 低光视觉中的行人检测

    项目中，我们通过图像融合技术对数据集进行预处理，然后使用 Vision Transformer 模型从融合图像中检测行人。在评估过程中，我们将比较 YOLOv5 和改进后的 ViT 模型在融合图像上的性能。

    Mar, 2023

  • 图像到图像翻译在改进行人检测中的应用

    使用深度学习模型和可见光红外图像对数据集进行训练，从而实现在低光环境中的行人识别。

    Sep, 2022

  • 光照感知深度神经网络融合多光谱数据用于行人检测

    本文提出一种基于多任务学习的多光谱行人检测框架，利用新颖的感知权重机制、带 illumination-aware 的深层卷积神经网络等技术，提高了检测和语义分割的性能。实验结果表明，该方法在 KAIST 多光谱行人数据集上性能超过了现有的最先进方法。

    Feb, 2018

  • 线性支持张量机：热红外图像中的行人检测

    本文提出了一种新的基于局部斯特林核（LSK）的多维模板或张量形式的中级属性，以便更好地检测远红外图像中的行人，并引入了一种新的图像相似度核，以在支持向量机的最大边缘框架内进行训练。我们的第三个贡献是采用多通道离散傅里叶变换来替代滑动窗口法进行行人定位，取得了很好的实验结果。同时，我们还将用于研究为目的的 OSU 彩色热数据库中的行人注释与研究社区共享。

    Sep, 2016

  • TFDet: RGB-T 行人检测的目标感知融合

    本文提出了一种名为 TFDet 的新型多光谱行人检测方法，采用目标感知融合策略和相关最大化损失函数来增强地面行人特征，有效地解决了在低光条件下行人检测不准确的问题，并在两项基准测试中达到了 state-of-the-art 的性能。

    May, 2023

  • 针对多光谱行人检测的基于光照感知的 Faster R-CNN

    该研究深入比较了六种不同的卷积网络融合架构，并分析了它们的适应性，从而使传统架构能够实现与最先进的结果可比的检测性能。然后，提出了一种感知光照的 Faster R-CNN，该方法采用适应性门控函数来整合彩色和热图像，实现了对行人的有效检测，并在 KAIST 多光谱行人基准上获得了验证。

    Mar, 2018

  • 学习跨模态深度表示以实现鲁棒的行人检测

    本文介绍了一种新的行人检测方法，基于跨模态学习框架、深度卷积神经网络等技术，可在恶劣光照条件下实现行人检测，并在公开数据集上表现出优异的性能。

    Apr, 2017

  • 从手工制作到深度特征：行人检测综述

    本文概述了近年来关于行人检测的研究进展，主要包括采用手工特征和深度特征的方法，单通道和多通道行人检测的研究，以及相关数据集和评价指标的介绍。作者还强调了当前需要解决的问题和未来的研究方向。

    Oct, 2020

  • LLVIP: 一种低光视觉的可见 - 红外配对数据集

    本文介绍了一个适用于低光环境下的可见光红外数据集 LLVIP，包含 30976 张严格时间和空间对齐的图片，其中 15488 对可见光和红外图像。实验结果表明，LLVIP 数据集可以促进图像融合、行人检测和图像转换等低光视觉任务的开展。

    Aug, 2021