Apr, 2024

基于单个深度网络的升级物体风格迁移

PDF
TL;DR该研究提出了一种新的图像到图像风格转换方法，利用单个深度卷积神经网络进行对象风格转换。该方法结合了 YOLOv8 分割模型和 YOLOv8 的骨干神经网络，在保留原始对象特征的同时，通过平滑地转换艺术风格来增强图像中的对象的视觉吸引力。该方法将分割和风格转换融合在一个深度卷积神经网络中，避免了多个阶段或模型的需求，从而简化了模型的训练和应用。该论文通过应用不同的风格图像展示了该方法在两个内容图像上的效果，并展示了在同一图像上应用风格转换于多个对象的能力。
image-to-image style transferyolov8convolutional neural networksegmentationobject characteristics
发现论文，激发创造
  • 多模态迁移：一种用于快速艺术风格迁移的分层深度卷积神经网络

    提出了一种多模态卷积神经网络的方案，本方案可以在多个尺度上处理风格和纹理提示，从而将艺术风格转移应用到常规照片上，平均效率也高于当前市场上其他方法。

    Nov, 2016

  • 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 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

  • YOLOv5, YOLOv8 和 YOLOv10：实时视觉领域首选检测器

    本文综述了 YOLO（You Only Look Once）目标检测算法的演进，着重介绍了 YOLOv5、YOLOv8 和 YOLOv10。分析了这些版本的架构改进、性能提升以及在边缘部署方面的适用性。研究结果表明在准确性、效率和实时性能方面不断取得了进展，并强调了它们在资源受限环境中的适用性。本综述提供了模型复杂性和检测准确性之间的权衡，为选择特定边缘计算应用的最合适的 YOLO 版本提供指导。

    Jul, 2024

  • 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

  • 从 YOLOv1 到 YOLOv8 以及未来 ——YOLO 的全面评估

    本文综合分析了 YOLO 实时目标检测系统的发展历程及其每个版本的创新和贡献，从原版 YOLO 到 YOLOv8，涵盖了标准度量和后处理、网络架构和训练技巧等方面，总结了 YOLO 发展的重要经验和展望其未来，强调提高实时目标检测系统的潜在研究方向。

    Apr, 2023

  • 只看一个序列：通过目标检测重新思考视觉 Transformer

    本文通过 YOLOS 模型系列探讨 Transformer 在 2D 对象和区域级别识别上的性能，并发现在中型 ImageNet-1k 数据集上预训练的 YOLOS 模型已经可以在 COCO 目标检测基准测试中实现相当竞争的性能。同时，作者还讨论了当前的预训练模式和模型尺度策略以及 YOLOS 模型的影响和局限性。

    Jun, 2021

  • 在线目标跟踪的外观模型深度学习

    本文提出了一种基于深度学习的新方法，用于基于视觉的单目标跟踪，该方法结合了卷积神经网络和贝叶斯损失层，提出了一种直接计算候选目标位置跟踪得分的网络架构。在标准跟踪基准上，该跟踪器达到了最先进的跟踪结果。

    Jul, 2016

  • YOLOPose V2：基于 Transformer 的 6D 姿态估计的理解与改进

    基于 Transformer 的 YOLOPose 模型通过关键点回归和改进的方式实现多目标 6D 姿态估计，适用于实时应用，并达到与最先进方法相媲美的效果。

    Jul, 2023

  • 通过样式一致性进行目标检测的领域自适应

    本文提出了一种基于领域自适应的目标检测方法，使用风格迁移和伪标签方法，使检测器在不同图像样式下具有鲁棒性，并显著提升了性能。

    Nov, 2019