提出了一种新的图片自适应YOLO(IA-YOLO)框架，采用可微分的图像处理(DIP)模块设计实现，从而提高在逆境气象条件下的对象检测性能，并且在弱监督学习的情况下，联合学习CNN-PP和YOLOv3。实验结果表明，在雾天和低光场景中，IA-YOLO方法显示出很好的效果。

Dec, 2021

提供高效且表现良好的目标检测器YOLO-MS, 基于对不同核大小的卷积如何影响不同尺度物体的检测性能进行一系列研究来实现。新的策略能够大大增强实时目标检测器的多尺度特征表示。在MS COCO数据集上训练的YOLO-MS, 不依赖于其他大规模数据集或预训练权重, 在相同参数和FLOPs数量下, 优于最近的实时目标检测器，包括YOLO-v7和RTMDet。

Aug, 2023

近年来，自动驾驶汽车的研究主要集中在级别4和5，对感知、决策和控制技术的发展产生了越来越大的兴趣。在感知技术方面，使用多种传感器（例如LiDAR、雷达和相机）进行准确和快速的物体检测是首要任务。然而，这些传感器在恶劣天气条件下（如雨、雪或雾）往往难以持续准确地检测物体。因此，本研究基于实验获取的降水数据，通过CARLA模拟器构建了一个新的数据集，能够在各种降水条件下测试不同的网络模型。最终，利用我们的新数据集，使用一阶段检测器YOLO系列对不同降水条件下，从正常到极度大雨情况下的物体检测性能进行了定量验证。

Dec, 2023

本研究提出了一种适用于无人机热红外图片和视频的目标检测框架，基于CNN架构的YOLO模型，通过定量和定性评估深度学习模型，在人的交叉检测性能方面展示了YOLOv7模型在不同无人机观察角度下的应用。

Jan, 2024

通过设计双路网络和注意力特征融合模块，并提出一个子网络来为检测网络提供无霾特征，我们的D-YOLO通过减小清晰特征提取子网络与检测网络之间的距离来改善检测网络的性能，实验证明D-YOLO相比现有方法具有更优异的性能表现，是一个强大的检测框架用于弥合低级去雾和高级检测之间的差距。

Mar, 2024

20年来，深度学习技术一直在海洋垃圾问题中得到探索，并且在过去的5年中取得了快速发展。该研究提供了28项最近和最重要的关于深度学习在海洋垃圾识别中的贡献的全面、最新的总结和分析。交叉引用研究结果表明，YOLO系列方法在目标检测方面明显优于其他方法，但是有很多受认可的贡献明确表示目前没有可用于机器学习的全面的水下垃圾数据库。我们使用我们自己策划和标记的小型数据集，在二元分类任务上测试了YOLOv5，发现准确率较低，假阳性率较高，凸显了建立全面数据库的重要性。最后，我们提出了40多项未来研究建议和开放性挑战。

Mar, 2024

基于 State Space Models 的 Mamba-YOLO 目标检测模型通过优化 SSM 和引入 LSBlock 和 RGBlock 模块，在 COCO 和 VOC 数据集上实验证明，其在性能和竞争力方面均超过了现有的 YOLO 系列模型，展示了其巨大的潜力和竞争优势。

Jun, 2024

通过提出的基于神经风格转换的风格化数据驱动的YOLO模型（SDNIA-YOLO），本研究改善了模型的鲁棒性，通过自适应地增强图像质量并从神经风格转换合成的图像中学习与极端天气条件相关的有价值信息，在真实世界的极端雾天和低光条件测试集上，相比基线模型，已开发的 SDNIA-YOLOv3 在至少15%的 [email protected] 改进方面取得显著的成果。此外，实验还突出了风格化数据在模拟极端天气条件方面的优异潜力。而开发的 SDNIA-YOLO 在很大程度上保持了原生 YOLO 的优秀特性，如端到端一阶段、数据驱动和快速。

Jun, 2024

本研究解决了无人机在搜索与救援操作中缺乏专门的人类检测数据集的问题。通过引入C2A数据集，并与先进检测模型的实验，研究发现该数据集显著提升了模型的性能，强调了与通用人类数据集结合的重要性，从而提高灾难响应的有效性与普适性。

Aug, 2024

本研究解决了海上搜救任务中人类检测算法的准确性不足的问题。通过利用增强数据集模拟不同天气和光照条件，提出了一种创新的方法来训练YOLO模型。研究结果表明，经过增强训练的模型在真实环境条件下表现出更高的鲁棒性和人类检测准确率，提升了搜救行动的效率。

Aug, 2024