Apr, 2024

C2FDrone: 基于视觉 Transformer 网络的粗 - 精无人机间检测

PDF
TL;DR基于视觉转换器的粗细检测策略用于无人机检测，提升 F1 得分，并在边缘计算设备上实现实时处理能力。
vision-based drone-to-drone detectioncollision avoidancehostile dronessearch-and-rescue operationsvision transformers
发现论文，激发创造
  • 使用深度网络进行无人机检测

    本文通过卷积神经网络的端到端目标检测模型，并提出一种通过人为合成数据解决训练数据稀少问题的算法，可以高精度高召回率地解决视频序列中无人机检测问题。

    Jun, 2017

  • 基于视觉变换器的端到端基于视觉的四旋翼避障

    在高速四旋翼无人机中展示了一种基于关注机制的端到端方法，用于在密集、杂乱环境中避开障碍物，与各种最先进的架构进行比较。

    May, 2024

  • 低信噪比环境下稳健低成本的无人机检测与分类

    本研究提供了用于模型开发的公开数据集，并对低信噪比条件下的卷积神经网络进行了无人机检测的比较分析，同时部署和现场评估了一个实用、低成本的无人机检测系统。

    Jun, 2024

  • 无人机监测：从视频中识别无人机

    本文提出了使用分割为基础的两阶段方法来检测从其他飞行无人机发射的无人机，通过使用时空注意力线索来确保准确的定位，并以准确性优于其他基线的结果在两个无人机检测数据集上进行了评估。

    Mar, 2021

  • 基于 Transformer 的目标检测

    本文研究使用纯 Transformer 模型实现复杂视觉任务中的目标检测，发现 Vision Transformer 作为骨干网在检测任务上可以产生与传统卷积网络相媲美的结果，而且能够保持更高的图像分辨率。

    Dec, 2020

  • SyNet：用于无人机图像目标检测的集成网络

    本文提出了一个结合单步检测和多步检测优点的集成网络 SyNet，该方案在两个不同的数据集中均获得了最先进的结果。

    Dec, 2020

  • 高通量视觉纳米无人机相对定位的基于机载全卷积神经网络的方法

    基于低分辨率相机和超低功耗车载 SoC 的垂直集成系统，通过全卷积神经网络（FCNN）在纳米无人机之间背对背的相对姿态估计方面取得了显著改进。

    Feb, 2024

  • 一种基于射频的无人机检测与识别的二维深度网络对于安全覆盖拓展的研究

    无人机在人类生活中越来越普遍，但同时也引发了安全方面的担忧，例如未经授权的访问和控制以及与有人飞机的碰撞和干扰。本文利用机器学习和射频检测技术，可以准确识别和区分不同的无人机类型和飞行模式，从而对扩大覆盖范围具有重大意义。通过研究发现，基于短时傅立叶变换（STFT）提取的二维特征可以包含时间域和频率域信息。结合使用 ResNet 结构的卷积神经网络（CNN）进行多类别分类，实验结果显示，提议的 ResNet-STFT 在扩展数据集上实现了更高的准确性和更快的收敛速度，并且在原始数据集上表现出较好的平衡性能。

    Aug, 2023

  • 面向高性能目标检测的研究：基于 ViT 和基于 CNN 的深度学习模型的无人机检测的洞察

    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

  • 基于验证的软计算跨领域学习在无人机检测中的应用

    本文介绍了一种基于迁移学习的无人机检测方案，利用深度学习技术进行智能化无人机侦测以应对无人机在网络治理、反恐等方面安全保障方面出现的问题。

    Jun, 2023