无人机实时人体检测
研究提出了一种新的实时目标检测算法 YOLO-Drone,应用于两种新的无人机平台和特定光源,在 UAVDT 和 VisDrone 两个基准数据集以及夜间采集的自制数据集中表现优于现有的状态 - of-the-art 方法,并且在硅基金光 LED 下的性能表现明显优于普通光源,证明了该算法对无人机领域中的目标检测特别是夜间检测任务具有高效的解决方案。
Apr, 2023
该研究使用 UAV 和固定监控摄像头构建了一个自动目标检测系统,结合了图像分割、增强和卷积神经网络等技术,可以在 8 秒内检测到目标,并使用合成数据生成和数据增强技术提高检测精度,这一解决方案有望帮助一线应对突发事件和搜救操作。
Apr, 2019
本研究提出了一种神经网络模型,能够在无人机收集的热像图中识别小型和超小型目标。模型结构包括骨干网络、中间层和预测头,其中骨干网络基于 YOLOv5 结构,结尾使用了 Transformer 编码器。中间层采用了 BI-FPN 块以及滑动窗口和 Transformer 增加预测头的信息输入。预测头通过 Sigmoid 函数对特征图执行检测。Transformer 的注意力和滑动窗口的使用提高了识别准确性,同时保持了模型在嵌入式系统中的合理参数和计算需求。实验在公共数据集 VEDAI 和自己收集的数据集上进行,结果表明,与 ResNet、Faster RCNN、ComNet、ViT、YOLOv5、SMPNet 和 DPNetV3 等最先进方法相比,本模型具有更高的准确度。在嵌入式计算机 Jetson AGX 上的实验表明,本模型实现了实时计算,并具有超过 90% 的稳定性率。
Feb, 2024
本文研究了计算机视觉和深度学习技术在无人机检测方面的表现,探究了在复杂背景、不同大小、复杂天气等挑战条件下使用一阶段探测器和二阶段探测器进行 UAV 检测的性能,并对两个数据集进行了评估,研究结果为发展更为强大的 UAV 检测方法提供了借鉴。
May, 2023
本论文研究了基于无人机交通视频的实时车辆检测和城市交通行为分析系统。通过使用无人机收集交通数据,并结合 YOLOv8 模型和 SORT 跟踪算法,在 iOS 移动平台上实现对象检测和跟踪功能。使用动态计算方法实时处理性能,计算车辆的微观和宏观交通参数,并进行实时的交通行为分析和可视化。实验结果显示,车辆对象检测的准确率达到 98.27%、召回率达到 87.93%,实时处理能力稳定在每秒 30 帧。这项工作将无人机技术、iOS 开发和深度学习技术整合在一起,将交通视频采集、目标检测、目标跟踪和交通行为分析功能集成到移动设备上,为轻量级交通信息收集和数据分析提供了新的可能性,并为交通管理部门改善道路交通状况分析效率和解决交通问题提供了创新的解决方案。
Feb, 2024
使用无人机数据集以及卷积神经网络(CNN)和视觉变换器(ViT)模型,本文重新评估了准确的无人机检测任务,表明基本的 ViT 模型在单一无人机检测方面的性能比最佳 CNN 迁移学习模型提升了 4.6 倍,并且通过多无人机检测实现了令人印象深刻的 98% 和 96% 的 mAP 值。作者总结了 ViT 和 CNN 模型的独特特点,以帮助未来研究者开发更高效的深度学习模型。
Aug, 2023
本文着重于构建一个针对复杂场景的无人机基准测试数据集,并对基准测试集中的物体检测、单目标跟踪和多目标跟踪进行了详细的定量分析,实验结果表明目前最先进的方法在这个数据集上的表现相对较差,给出了这一问题的多方面解决方案。
Mar, 2018
该论文提出了一种基于烟雾引起的低能见度场景中的热红外成像融合策略的人体检测系统,通过多摄像机处理收集重要信息,融合提取的特征输入轻量级深度神经网络进行人体检测任务,实验表明该方法在合理速度下能够以 95% 的 [email protected] 值取得良好性能。
Jul, 2023
该研究提出了一个用于无人机(UAV)物体检测应用的高空红外热数据集 HIT-UAV,其中包含来自学校、停车场、道路、游乐场等地采集的 2898 个红外热图像,将有助于提高 UAV 应用的性能。
Apr, 2022