Nov, 2023

一种高效的光照不变的野生动物监测中的虎类检测框架

PDF
TL;DR通过使用 EnlightenGAN 和 YOLOv8，提出了一种准确的光照不变框架，用于老虎检测，其中通过光照增强提高了 61% 的 mAP 得分。这种方法在 ATRW 数据集上使得最先进的性能提高了约 6% 至 7%。
发现论文，激发创造
  • 图案物种中个体的自动检测与识别

    开发了一个自动检测和识别老虎、斑马和美洲豹等有斑点物种个体的框架，使用了 Faster-RCNN 目标检测框架来有效地在图像中检测动物，在动物的侧面提取 AlexNet 特征并训练逻辑回归 (或线性 SVM) 分类器来识别个体。在相机陷阱老虎图像数据集上测试和评估后发现，和最先进的识别技术相比，我们的框架在检测结果方面具有完美的表现，在个体的识别方面，表现相似或更好。

    May, 2020

  • 低光环境下目标跟踪的综合研究

    在低光环境中进行准确的物体追踪对于监控和动物行为学应用至关重要。本文研究了这些扭曲对自动物体追踪器的影响，并提出了一种解决方案，通过将去噪和低光增强方法整合到基于变压器的物体追踪系统中，提高追踪性能。实验结果表明，用低光合成数据集训练的提出的追踪器优于原始的 MixFormer 和 Siam R-CNN。

    Dec, 2023

  • 鱼眼镜头数据集中用于改善目标检测的低光图像增强框架

    提出了一种新颖的方法，结合基于变压器的图像增强框架和集成学习技术，解决城市交通监测系统中基于鱼眼镜头相机的问题，提高了系统的有效性和准确性，为智能交通管理系统的未来作出了重要贡献。

    Apr, 2024

  • 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

  • 快速、灵活、稳健的低光图像增强

    本文提出一种新的自校准照明（SCI）学习框架，用于在低光环境下快速，灵活和准确地增强图像，通过耦合权值共享的级联照明学习过程来实现此任务，从而极大地减少计算成本，提高模型适用性。

    Apr, 2022

  • aUToLights：一种稳健的多摄像机交通信号灯检测与跟踪系统

    本文介绍了多摄像头的交通信号灯感知管道，使用 YOLOv5 探测器进行边界框回归和交通信号灯分类，并融合高清语义地图信息和隐马尔可夫模型的状态过滤来提高鲁棒性，在现实世界的复杂场景下实现了优异的表现。

    May, 2023

  • ATRW：野外东北虎重新识别基准

    本论文提出了 Amur Tiger Re-identification in the Wild 数据集，其中包括具有不同姿势和照明条件的 92 只东北虎的视频剪辑，用于进行深度学习中的识别研究，通过提出精确的姿势建模方法，相比现有的方法有显著的性能改进。

    Jun, 2019

  • 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

  • 利用非常深的卷积神经网络在相机陷阱图像中识别动物物种，实现野生动物的自动监测

    使用深度卷积神经网络在野外通过摄像监控自动识别动物种类的方法，优于之前的尝试，证明了在摄像监控的图像中，识别可以自动化。

    Mar, 2016

  • 低光条件下的物体检测

    基于 CO-DETR 模型，通过模型融合方法实现了接近真实图像物体检测结果。使用多种增强技术生成多组预测结果，最后通过 IoU 阈值引导的聚类聚合方法选择最佳结果。

    May, 2024