使用 YOLOv7 和测试时增强的方法进行小鸟检测
本文提出了一种广义飞行物实时检测模型,可用于迁移学习和进一步研究,同时提出了一种可用于实现的改进模型。通过将第一通用模型训练在包含 40 种不同类别的飞行物数据集上,我们可以使模型提取抽象特征表示,然后在代表真实世界环境的数据集上执行传递学习,从而生成改进的模型,并且我们尝试使用当前最先进的单发探测器 YOLOv8 来解决一些出现的挑战。最后得到的模型达到了 0.685 的 mAP50-95 和 50fps 的平均推断速度。
May, 2023
通过结合超分辨率和经过修改的轻量级 YOLOv5 架构,我们提出了一种创新的方法,用于在航空影像中准确检测小型密集目标,并通过一系列数据集的评估,证明该模型在高密度遮挡条件下能够实现更好的检测结果,从而为航空影像中的目标检测领域带来显著进展。
Jan, 2024
本文提出一种基于 Ghost-YOLOv7 的轻量级车辆检测算法,该算法的宽度为 0.5,而且使用 Ghost convolution 替换了骨干网络的标准卷积以实现轻量级化、提高检测速度,进而增强了特征提取能力、丰富了语义信息并提高了检测准确度。同时,引入坐标注意力机制来抑制环境干扰。该算法的实验表明,相较于原有算法,检测速度提高 27FPS,能够有效降低计算复杂度和参数数量,且在多项指标上表现更好,可用于智能交通系统。
Apr, 2023
动物种群数量急剧下降,精确计数濒危物种的技术对于长期监测种群变化至关重要。本研究侧重于优化用于无人机图像的目标检测模型,以创建准确的动物物种计数。通过使用无人机拍摄的数百张图片和大量可获取的无人机图像数据集,我们将传统的 YOLOv8 架构进行了优化。我们训练了 30 个不同的模型,其中最大的模型具有 4370 万个参数和 365 个层,并利用超参数调整和数据增强技术来提高准确性。尽管最先进的 YOLOv8 基线在野生动物数据集上只有 0.7%的准确性,但我们的模型在相同数据集上达到 95%的准确性。最后,我们将模型部署在 Jetson Orin Nano 上,演示了低功耗实时物种检测,便于在无人机上进行推断。
Jun, 2024
该论文提出了一个名为 SOD4SB 的新的 SOD 数据集,包含 39,070 张图像和 137,121 个鸟实例,旨在解决远距离小物体检测中的噪声、模糊和信息不足等挑战,并介绍了此挑战的细节、获奖方法、数据集、基准代码和公开测试集评估网站。
Jul, 2023
本文研究了如何通过修改 YOLOv5 模型的结构和参数来提高其在自动驾驶赛车中检测小目标的性能,最终提出了一系列新模型 YOLO-Z,并取得了最多 6.9% 的 mAP 改进。
Dec, 2021
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
本文提出了一种适用于监控视频中飞鸟对象的飞鸟对象检测方法,该方法通过多个连续图像帧上的飞鸟对象的相关性聚合特征,并利用下采样和上采样设计了一个具有大特征图层的飞鸟对象检测网络来检测特殊的多尺度(主要是小尺度)鸟类对象。最后,应用了 SimOTA 动态标签分配方法来解决不规则飞鸟对象引起的标签分配问题,实验结果表明本文提出的监控视频飞鸟对象检测方法有效地提高了飞鸟对象的检测性能。
Jan, 2024
在小物体检测领域,针对计算代价大且预测性能有待提高的问题,提出了一种改进的 YOLOv5 模型:HIC-YOLOv5。它通过添加特定于小物体的额外预测头部以提供更高分辨率的特征图进行更精确的预测,采用了 involution 块在主干网和 neck 之间以增加特征图的通道信息,并在主干网的末端应用了一种名为 CBAM 的注意力机制,从而不仅减少了与先前方法相比的计算代价,还加强了通道和空间域中的重要信息。在 VisDrone-2019-DET 数据集上,HIC-YOLOv5 的 mAP@[.5:.95] 提高了 6.42%,[email protected] 提高了 9.38%。
Sep, 2023