无人机目标检测中基于对抗学习的尺度不变特征解缠
本文提出了一种利用元数据和相关无人机图像来学习领域鲁棒特征的对抗训练框架 —— 干扰解缠特征转换(NDFT)算法,以解决无人机图像中目标检测的具体挑战问题,实现了在两个现有基于无人机的目标检测基准测试上的最新性能。
Aug, 2019
本文提出了一种自对齐无监督网络来提取无人机视角下肖像系统中的细化特征,旨在解决操作难度大、需要困难的注释过程的问题,并在 UAV-VeID 数据集上实现了最佳的 ReID 效果。
Jan, 2022
本文提出 Unified Decoupled Feature Alignment (UDFA),通过全面探索自知识蒸馏与对抗训练的组合应用于目标检测中,实现比现有方法更好的性能。在 PASCAL-VOC 和 MS-COCO 基准测试中,UDFA 可以超越标准训练和最先进的对抗训练方法,提高了准确度,并提高了鲁棒性。
Nov, 2021
提出了一种无与伦比的基于相机的多 UAV 协同三维物体检测范式 UCDNet,通过显式利用 UAV 到地面的深度信息作为强先验,为更准确和可推广的特征映射提供参考。此外,设计了一种同质点几何一致性损失作为辅助自监督方法,直接影响特征映射模块,从而增强多视角感知的全局一致性。在 AeroCollab3D 和 CoPerception-UAVs 数据集上的实验结果表明,与基准方法相比,我们的方法分别提高了 4.7%和 10%的 mAP,证明了 UCDNet 的优越性。
Jun, 2024
利用半监督联邦学习框架和模型参数混合策略来保护数据隐私实现无人机图像识别;根据不同相机模块、地域环境等数据的统计异质性问题,提出基于客户端频率的聚合规则来调整对应本地模型的权重。
Jan, 2022
该研究提出了一种通过单个 RGB 图像实现单目 3D 物体检测的方法,采用新颖的去耦合转换来实现 2D 和 3D 检测损失,以及一种新颖的自监督置信度分数来实现 3D 边界框。该方法通过隔离参数组对给定损失的贡献来解决了复杂互动参数存在的问题。同时,作者还通过改善 2D 检测结果的有符号交并比驱动损失来应用了损失去耦合。通过基于 KITTI3D 和 nuScenes 数据集的广泛实验评估和消融研究,该方法在车类别目标检测方面实现了新的最优成果。
May, 2019
这篇论文提出了一种针对无人机物体检测中的敌对补丁攻击的新型模型无关防御机制,将对抗性补丁防御问题形式化为遮挡消除任务,通过中性化感兴趣对象上的对抗性补丁来改善无人机物体检测的可靠性。
May, 2024
本文介绍了一种新型网络架构,利用前视图像和视锥形点云生成三维检测结果,使用 PointSIFT 模块和 SENet 模块来提高三维分割的性能和有效地估计三维边界框,实验结果表明该方法在使用高度稀疏的点云时比现有方法表现更优,广泛应用于室内和室外的实际场景中的三维物体检测。
Jan, 2019
基于无人机的跨模态车辆再识别在视频监控和公共安全领域得到了越来越多的关注,然而,由于数据不足,这一有前景的创新性研究尚未得到充分的研究。我们提出了一个名为 UCM-VeID 的跨模态车辆再识别基准数据集,其中包含 753 个身份,共有 16015 个 RGB 图像和 13913 个红外图像。为了应对跨模态差异和方向差异挑战,我们提出了一个混合权重解耦网络(HWDNet),用于学习共享的具有方向不变性的判别特征。我们还针对这两个挑战提出了一个使用了精心设计的权重约束器和相应目标函数的混合权重孪生网络,用于学习模态特定和模态共享的信息。我们进行了一系列全面的实验证明了所提出方法的有效性。数据集和代码将在该 https URL 上发布。
Oct, 2023