Jun, 2024

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

PDF
TL;DR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。
image-based drone detectionobject detection algorithmscamouflage object detection techniquesyolo-feder fusionnetmissed detectionsfalse alarms
发现论文，激发创造
  • 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

  • Joint-YODNet：一种轻量级的无人机目标检测器以实现超过 100 帧每秒

    通过针对小目标检测任务设计的联合损失函数，我们提出了一种名为 JointYODNet 的新颖方法，用于通过无人机图像和雷达数据进行小目标检测。我们的方法在各种环境条件下的无人机图像数据集上进行了广泛实验，并评估了不同变体的损失函数，确定了最有效的配方。结果表明，我们的联合损失函数在准确定位小目标方面优于现有方法，具有 0.971 的召回率和 0.975 的 F1 分数，超过了最先进的技术。此外，我们的方法在不同尺度下检测小目标的鲁棒性表现出了 98.6% 的 [email protected] (%)。

    Sep, 2023

  • 针对航空图片的 YOLOv4 目标检测分析与改进

    本文介绍了一种基于 YOLOv4 的计算机视觉算法，可以快速准确地检测无人机航拍图像中的目标物体，可应用于实时监测等领域。

    Mar, 2022

  • FedPylot：面向物联网的实时对象检测的联邦学习导航

    本研究探讨了在物联网车辆中采用联邦学习的切实可行性和应用价值，并介绍了一种基于 MPI 的轻量级原型系统 FedPylot，以模拟在高性能计算系统上进行联邦目标检测实验，并针对准确性、通信成本和推理速度进行评估，旨在为自动驾驶车辆面临的挑战提供平衡的方法。

    Jun, 2024

  • SlimYOLOv3：针对实时无人机应用更窄、更快、更好

    本论文介绍通过通道剪枝和 L1 正则化实现深度物体探测器的学习，从而获得适用于 UAV 平台的实时目标检测器 SlimYOLOv3，其对比 YOLOv3 具有更少的可训练参数、更低的浮点运算次数和参数大小、更快的运行速度和相当的检测准确率。

    Jul, 2019

  • 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

  • 基于深度学习的雷达和摄像头传感器融合架构用于物体检测

    本文提出了一种通过融合镜头和雷达数据的 CameraRadarFusionNet 网络，在二维目标检测技术上取得了优于目前最新图像网络的性能，同时使用了专注于某一特定传感器类型的普遍训练策略 BlackIn。

    May, 2020

  • 联邦集合 YOLOv5 - 更好的通用物体检测算法

    本文探讨了联邦学习算法在物体检测中的应用及其性能表现，研究表明它不仅是一种增强隐私的算法，同时也能够增强模型性能。

    Jun, 2023

  • 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

  • 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