Nov, 2023

航空影像领域的创新视野：LSKNet 与 DiffusionDet 在高级目标检测方面的应用

PDF
TL;DR本研究采用 LSKNet 骨干网络结构和 DiffusionDet 头部模型，通过新颖方法和大量割除研究对对象检测模型的精确性进行了深入评估，在空中图像对象检测中取得显著性能提升，提出了新的基准，为更精确和高效的对象检测方法铺平了道路。
aerial image analysisobject detectionlsknetdiffusiondetprecision
发现论文，激发创造
  • LSKNet: 一种面向遥感的基础轻量级骨干网络

    该研究考虑了远程感知场景中的先验知识，并提出了轻量级大型选择性核网络（LSKNet）作为其骨干网络。LSKNet 能够动态调整其大空间接受野，以更好地建模远程感知场景中各种对象的范围背景。通过在常规远程感知分类、目标检测和语义分割基准上取得了新的最先进成绩，进一步验证了所识别的先验知识的重要性和 LSKNet 的有效性。

    Mar, 2024

  • DiffusionDet: 目标检测的扩散模型

    DiffusionDet 是一种将对象检测作为从噪声框到对象框的去噪扩散过程的新框架，其在训练阶段通过对象框从地面实况框扩散到随机分布，模型学习将该过程反转，在推断阶段，模型以渐进方式将一组随机生成框细化为输出结果，使用随机框作为对象候选框有利于解决对象检测问题，并且该问题可以通过生成方法来解决。

    Nov, 2022

  • 3DifFusionDet：基于鲁棒性激光雷达与相机融合的三维物体检测的扩散模型

    该研究提出了 3DifFusionDet 框架，将 3D 目标检测视为从噪声 3D 框到目标框的去噪扩散过程，并通过特征对齐策略和渐进改进方法，在 LiDAR-Camera 融合中取得了显著贡献。实验证明，3DifFusionDet 在 KITTI 上的表现优于前期的经典检测器。

    Nov, 2023

  • 稳定的航空目标检测扩散

    针对航空图像的合成数据增强框架，包括通过稀疏到稠密的感兴趣区域提取来弥合语义差距，使用低秩适应（LORA）对扩展训练进行优化，最后使用复制粘贴方法将合成物体与背景组合，为航空对象检测提供了一种细致入微的合成数据方法。

    Nov, 2023

  • 航空图像中的聚类目标检测

    本论文提出了一种利用聚类检测（ClusDet）网络来解决机载图像中小物体检测困难的问题，并在三个通用数据集上展现了其与其他检测器相比很有潜力的表现。

    Apr, 2019

  • Siamese Meets Diffusion Network: SMDNet 用于高分辨率遥感图像的改进变化检测

    提出了一种新的网络模型，使用深度学习进行遥感图像变化检测，该模型结合了 Siam-U2Net 特征差分编码器（SU-FDE）和去噪扩散隐式模型，改善了图像边缘变化检测的准确性，并增强了模型对环境变化的鲁棒性。

    Jan, 2024

  • SAFDNet：一种简单有效的全稀疏 3D 物体检测网络

    通过设计自适应特征扩散策略，提出了一种用于完全稀疏的三维目标检测的高效架构 SAFDNet，并在长距离检测场景中证明了其有效性。

    Mar, 2024

  • LSDA：大规模适应检测

    本文提出了一种名为 LSDA 的算法，可以从分类图像数据中自动学习分类器以实现目标检测任务，使得即使没有边界框注释数据的成千上万个目标类别也有可能被检测出来，并在 ImageNet 数据集上进行了评估。

    Jul, 2014

  • 利用本地固有维度检测深度扩散模型生成的图像

    本文提出了使用轻量级多本地内在维度 (multiLID) 技术，在对抗性生成数据检测的基础上，进行合成图像自动检测和相应生成器网络的识别的方法，该方法与现有检测方法相比，在许多现实用例中提供接近完美的检测结果，并证明在扩展性、检测性能和模型鲁棒性等方面的表现优越性。

    Jul, 2023

  • 远程扩散

    利用 RSICD 數據集訓練了具有 0.2 損失的 Stable Diffusion 模型，並通過合成數據集和定制遙感 LLM 進行了 Land Use Land Classification 任務，但由於標題質量和模型表現的挑戰，生成的圖像和數據集的質量有所不足。

    May, 2024