Jan, 2024

利用深度学习在遮挡环境和背景杂乱效果中进行实时物体检测

PDF
TL;DR通过改进检测精度、减少模型面临的问题以及应用数据增强、噪声降低、参数优化和模型融合等技术，我们提出了一种针对混杂背景、遮挡环境中实时检测汽车和坦克的深度学习模型。SSD-Mobilenet v2 模型的准确率和帧数优于 YOLO V3 和 YOLO V4，我们通过引入数据增强、噪声降低、参数优化和模型融合等技术进一步提高检测和识别的效果，并对检测方式进行了统计，属性实验比较，并实现了一个具有物体计数、警报、状态、分辨率以及帧数等功能的图形用户界面系统。该方法的实施得到了 YOLO V3、V4 和 SSD 分析的确认，以完成提出的方法。
发现论文，激发创造
  • 针对视障人士的户外障碍物检测研究

    深度学习目标检测在帮助视力受损者避开障碍物方面是一种有效的方法，本文通过实现并评估七种不同的 YOLO 目标检测模型（YOLO-NAS，YOLOv8，YOLOv7，YOLOv6 和 YOLOv5）来分析这些模型在道路和人行道上常见物体的图像上的表现，并发现 YOLOv8 是最佳模型，其在包含 VOC、COCO 和 TT100K 数据集的 Obstacle 数据集上表现出 80% 的精确度和 68.2% 的召回率，尽管 YOLO-NAS 是最新的模型，在其他应用中表现更好，但对于障碍物检测任务来说并不理想。

    Dec, 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

  • 视频目标检测的鲁棒高效后处理

    本文提出了一种基于学习相似度评估的后处理方法，它可以克服先前后处理方法的一些局限性，提高特定视频检测器的结果，特别是在快速运动物体方面，并具有低资源要求。该方法还可以应用于像 YOLO 这样的高效静态图像检测器，提供与计算量更大的检测器相当的结果。

    Sep, 2020

  • 实景下扭曲图片的集成模型

    通过优化图像增强、检测框集成、去噪集成、超分辨率模型和迁移学习等方法，将 YOLOv7 目标检测器应用于 CDCOCO 数据集，实现了在不同环境中对失真图像的准确检测和修复。该去噪检测模型在各种真实场景中具有广泛的应用价值。

    Sep, 2023

  • 基于全卷积网络的快速鲁棒单目深度估计用于障碍物检测

    本文介绍了一种基于外观的障碍物检测系统，使用深度神经网络的方法进行训练，能够在高速行驶、长距离、低维度等复杂情况下对障碍物进行检测。

    Jul, 2016

  • 利用物体检测和口头反馈帮助盲人

    本研究使用 YOLO 模型和 OpenCV 库，利用实时视频检测对象并将图像识别结果以可听形式提供给视觉障碍者，成功实现了优秀的平均准确率 (mAP)。

    Dec, 2023

  • Complexer-YOLO：基于语义点云的实时 3D 目标检测和跟踪

    本文提出了一种融合神经网络、视觉语义分割、在自主驾驶场景下的 3D 目标检测方法，引入了一种名为 SRTs 的快速评估指标，并采用状态优化的多目标特征跟踪机制，实现了高精度和实时性的平衡，并在 KITTI 基准测试中验证了方法的有效性。同时，该方法首次将视觉语义与 3D 目标检测相融合。

    Apr, 2019

  • 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

  • 基于 YOLOv7 与 ShuffleNetv2、Vision Transformer 集成的轻量级目标检测研究

    本研究通过使用高级技术（如 Group Convolution、ShuffleNetV2 和 Vision Transformer），优化了 YOLOv7 算法，减小了模型的参数数量和内存使用，并简化了网络架构，从而在资源受限的设备上加强了实时物体检测的能力。实验结果表明，经过改进的 YOLO 模型表现出卓越的性能，在保持卓越的检测准确度的同时，显著提高了处理速度。

    Mar, 2024

  • 小型 SSD：一个用于实时嵌入式对象检测的小型单次拍摄检测深度卷积神经网络

    本文提出了一种基于深度卷积神经网络的实时嵌入式物体检测算法 Tiny SSD，通过高度优化的非均匀 Fire 子网堆栈和高度优化的非均匀 SSD 辅助卷积特征层，将模型大小控制在 2.3MB (~ 比 Tiny YOLO 小 26 倍) 的情况下，仍然能够在 VOC 2007 上实现 61.3％（比 Tiny YOLO 高 4.2％）的 mean average precision (mAP)，结果表明可以为嵌入式场景设计非常小的深度神经网络体系结构以进行实时物体检测。

    Feb, 2018