Feb, 2024

YOLO-Ant：基于深度可分离卷积和大核设计的轻量级天线干扰源检测器

PDF
TL;DR在 5G 通信时代，消除影响通信的干扰源是一项资源密集型的任务。在计算机视觉的快速发展下，无人机能够执行各种高空检测任务。在天线干扰源的目标检测领域尚未得到充分探索的情况下，该行业缺少专门为此特定任务而创建的学习样本和检测模型。本文创建了一个天线数据集以解决重要的天线干扰源检测问题，并作为后续研究的基础。我们引入了 YOLO-Ant，这是一个专门设计用于天线干扰源检测的轻量级 CNN 和 Transformer 混合检测器。具体来说，我们首先为网络深度和宽度制定了一个轻量级设计，确保后续的研究在轻量级的框架内进行。然后，我们提出了基于深度可分离卷积和大卷积核的 DSLK-Block 模块，以提高网络的特征提取能力，有效改善小目标检测。为了解决天线检测中复杂的背景和大类间差异等挑战，我们构建了 DSLKVit-Block，这是一个强大的特征提取模块，结合了 DSLK-Block 和 Transformer 结构。考虑到它的轻量级设计和准确性，我们的方法不仅在天线数据集上实现了最佳性能，还在公共数据集上取得了竞争性的结果。
5g communicationcomputer visionunmanned aerial vehiclesantenna interference source detectionyolo-ant
发现论文，激发创造
  • DiffYOLO：基于 YOLO 和扩散模型的抗噪声目标检测

    利用 DiffYOLO 框架提取特征图以增强已训练模型，从而使在高质量数据集上微调 YOLO 模型并在低质量数据集上进行测试成为可能。该框架不仅能在嘈杂的数据集上提升性能，还能在高质量测试数据集上证明检测结果。

    Jan, 2024

  • 从模糊到清晰的检测：基于 YOLOv5 的航空目标检测与超分辨率

    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

  • YOLO-FEDER FusionNet：一种用于无人机检测的新型深度学习架构

    通过将通用目标检测算法与专门的伪装物体检测技术相结合，我们引入了一种名为 YOLO-FEDER FusionNet 的创新深度学习架构，提高了无人机检测能力，通过全面评估证明了该模型的高效性，并在减少漏检和误报方面取得了显著的改进。

    Jun, 2024

  • YOLO-Drone: 高空实时检测密集小物体

    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

  • YOLO-TLA：基于 YOLOv5 的高效轻量级小物体检测模型

    我们在本文中提出了 YOLO-TLA，这是一种基于 YOLOv5 的先进物体检测模型，通过在颈部网络金字塔架构中引入一个额外的检测层来检测小对象，从而提供一个更大尺度的特征图以辨别小对象的更细致特征，并将 C3CrossCovn 模块集成到骨干网络中，有效地减少计算需求和参数数量，使模型更加紧凑

    Feb, 2024

  • Fostc3net: 一个基于网络结构优化的轻量级 YOLOv5

    本文介绍了一种针对移动设备的增强轻量级 YOLOv5 技术，用于识别与输电线相关的物体。该方法通过引入 C3Ghost 模块和 FasterNet 模块改进了 YOLOv5 的性能，并采用 wIoU v3 LOSS 损失函数解决了数据集中简单和挑战样本的不平衡问题。实验证明，与现有的 YOLOv5 相比，该模型在检测准确性上提高了 1%，降低了 13% 的 FLOPs，模型参数减少了 26%。而在消融实验中，Fastnet 模块和 CSghost 模块提高了原始 YOLOv5 基准模型的精度，但导致了 [email protected] 度量的下降，而 wIoUv3 损失函数的改进显著减轻了该度量的下降。

    Mar, 2024

  • YOLC: 仅聚焦天空图像中微小物体检测的方法

    通过建立在 CenterNet 上的高效和有效的框架 YOLC，我们引入了局部尺度模块（LSM）来解决处理大规模图像和非均匀目标分布时的挑战，通过使用高斯 Wasserstein 距离（GWD）修改回归损失以获得高质量边界框，并在检测头部使用可变形卷积和改进方法来增强对小目标的检测。我们在 Visdrone2019 和 UAVDT 等两个航拍图像数据集上进行了大量实验，证明了我们提出的方法的有效性和优越性。

    Apr, 2024

  • ANTNets：用于资源高效图像分类的移动卷积神经网络

    本文提出了一种新的基本架构模块 ANTBlock，以提高网络的表征能力，同时具有较低的计算成本和参数数量。在多个数据集上进行测试结果表明，ANTNet 在性能上优于基于移动设备低成本的卷积神经网络，其利用两层卷积之间通道间的关联性，进一步优化网络的表征能力。

    Apr, 2019

  • 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

  • 基于 Transformer 预测头改进 YOLOv5 的计算机视觉损伤检测模型

    提出了一种基于 DenseNet 块和 CBAM 的实时深度学习伤害检测模型，采用先进的自我注意机制实现多尺度目标检测，并减少计算复杂度，结果显示该模型性能优于当前最先进模型，是准确和鲁棒的机器人在现实场景下实现自动化损坏检测系统的重要一步。

    Mar, 2023