Dec, 2023

奥地利自动驾驶中基于 YOLO 和 DETR 的深度学习视觉模型初步定性观察

PDF
TL;DR这项研究探讨了单阶段和两阶段的 2D 目标检测算法，例如 You Only Look Once (YOLO) 和 Real-Time DEtection TRansformer (RT-DETR) 算法在奥地利道路的自动化目标检测中的应用，以提高道路安全性。该研究利用奥地利道路上的图像和视频构建了选择性数据集，涵盖了城市、农村和高山环境，并针对奥地利道路的独特挑战进行了定制化的目标检测方法。
2d-object detection algorithmsyou only look once (yolo)real-time detection transformer (rt-detr)road safetyautonomous driving
发现论文，激发创造
  • 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

  • LW-DETR：实时检测的一种用于替代 YOLO 的 Transformer

    本文介绍了一种轻量级检测变换器 (LW-DETR)，它在实时目标检测方面优于 YOLO，架构简单，由 ViT 编码器、投影器和浅层 DETR 解码器组成，结合训练有效技术和插入式窗口和全局注意力等最新技术，改进了 ViT 编码器的复杂性，实验证明所提出的方法在 COCO 和其他基准数据集上优于现有的实时检测器。

    Jun, 2024

  • DEYOv3：实时目标检测中的 DETR 和 YOLO

    提出了一种名为 DEYOv3 的全新端到端实时目标检测模型，采用逐步训练方法，设计灵活、训练成本低，速度和准确性均优于现有的实时目标检测器。

    Sep, 2023

  • DEYO：用 YOLO 实现的端到端物体检测的 DETR

    通过逐步训练方法，我们介绍了第一个实时端到端的目标检测模型 DEYO，它利用了纯卷积结构编码器，并且在速度和准确性上超过了现有的实时目标检测器。此外，通过仅使用单个 8GB RTX 4060 GPU，DEYO 系列可以在 COCO 数据集上完成第二阶段的训练，从而显著降低了训练成本。

    Feb, 2024

  • DETR 在实时目标检测中击败了 YOLO

    本文提出了第一款实时端到端物体检测器 ——Real-Time DEtection TRansformer（RT-DETR），支持灵活调整推理速度且在速度和准确度上均优于同一规模的 YOLO 检测器以及 DINO-Deformable-DETR-R50 模型，采用了高效的混合编码器处理多尺度特征并提出 IoU 感知的查询选择。

    Apr, 2023

  • 利用热像技术进行液体泄漏检测

    利用计算机视觉和深度学习方法，本文提出了一种全面解决油气行业中液体泄漏的关键挑战的方案。通过采用 You Only Look Once (YOLO) 和 Real-Time Detection Transformer (RT DETR) 模型，我们的项目集中于提高对管道、泵和储罐等关键基础设施组件中液体泄漏的早期识别能力。通过集成监控热成像摄像头和传感器，结合 YOLO 和 RT DETR 模型在油气设施内对视觉数据进行持续监控和分析，这种方法显著提高了泄漏检测的准确性和速度，最终减轻了液体泄漏所带来的环境和财务风险。

    Dec, 2023

  • 快速 YOLO: 一种实时嵌入式视频目标检测仅需一次看图系统

    本文提出了一种名为 Fast YOLO 的新框架，通过深度智能进化框架优化了 YOLOv2 网络架构并将运动自适应推理方法引入，从而在保持性能的同时，在嵌入式设备上实现实时物体检测。实验结果表明，Fast YOLO 框架可以在平均 3.3 倍的速度加速下，将嵌入式系统上的检测性能提高到 18FPS。

    Sep, 2017

  • YOLOv10：实时端到端物体检测

    通过消除非极大值抑制（NMS）的依赖性和综合优化 YOLOs 的各个组件，本研究提出了一种新一代的实时端到端目标检测模型 YOLOv10，其在性能和效率方面均取得了最新的成果。

    May, 2024

  • You Only Look Once: 统一、实时目标检测

    YOLO 是一种新的目标检测方法，使用单个神经网络从完整图像中直接预测边界框和类别概率，具有实时处理速度、误检低和物体的通用表示等优势。

    Jun, 2015

  • 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