标签

 目标检测 

相关的文章:

本列表页提供了关于目标检测的最新研究进展,包括分层自适应自监督目标检测、跨领域少样本目标检测、脉冲中心网络、MelNet、纠正长尾目标检测、基于YOLO的学习方法、合成数据生成和比例类别平衡技术、显著性增强特征融合的多尺度RGB-D显著目标检测网络等。通过阅读这些文章,您将了解到目标检测在不同领域的应用和最新研究成果。

BriefGPT - AI 论文速递 -

高效参数挖掘和冻结用于持续目标检测

连续对象检测中的参数隔离策略在增量对象检测场景中发挥重要作用,并通过提取神经元响应和层级参数隔离展示了优越性,为未来研究和实际应用提供了新的方向。

本论文提出了连续推理网络(CIN),通过重新组织和修改网络架构来提高神经网络的效率,并使用熔接适配器网络和结构修剪实现了较少学习权重下的卓越预测准确性。

相关推荐 去reddit讨论

BriefGPT - AI 论文速递 -

STF:时空融合模块提升视频目标检测

通过利用视频中连续帧的冗余和相关的互补信息,我们提出了一个时空融合框架,其中包括多帧和单帧关注模块,以及可学习地合并特征图以改进物体检测性能的双帧融合模块。实验证明,该融合模块相比基线物体检测器能够提高检测性能。

相关推荐 去reddit讨论

BriefGPT - AI 论文速递 -

利用时间一致性进行高效的单阶段视频目标检测

我们提出了一个简单而高效的框架,通过利用视频帧中的时间一致性来解决计算上的瓶颈,从而实现了具有高效性的单阶段视频目标检测。

该文章介绍了通过连续平滑的运动改进目标位置预测的方法,并提高了准确性和效率。通过在少量帧中进行特征计算和利用关键帧之间的平滑伪运动,减少了注释成本。实验证明该方法在多个数据集上表现出良好的效果。

相关推荐 去reddit讨论

BriefGPT - AI 论文速递 -

无人机热图中使用深度学习进行目标检测

本研究提出了一种神经网络模型,能够在无人机收集的热像图中识别小型和超小型目标。模型结构包括骨干网络、中间层和预测头,其中骨干网络基于 YOLOv5 结构,结尾使用了 Transformer 编码器。中间层采用了 BI-FPN 块以及滑动窗口和 Transformer 增加预测头的信息输入。预测头通过 Sigmoid 函数对特征图执行检测。Transformer 的注意力和滑动窗口的使用提高了识别准确性,同时保持了模型在嵌入式系统中的合理参数和计算需求。实验在公共数据集 VEDAI 和自己收集的数据集上进行,结果表明,与 ResNet、Faster RCNN、ComNet、ViT、YOLOv5、SMPNet 和 DPNetV3 等最先进方法相比,本模型具有更高的准确度。在嵌入式计算机 Jetson AGX 上的实验表明,本模型实现了实时计算,并具有超过 90% 的稳定性率。

本研究提出了一种神经网络模型,能够在无人机收集的热像图中识别小型和超小型目标。模型结构包括骨干网络、中间层和预测头,使用了Transformer编码器。实验结果表明,该模型具有更高的准确度,并在嵌入式计算机上实现了实时计算。

相关推荐 去reddit讨论

BriefGPT - AI 论文速递 -

增强型开放集目标检测的跨领域少样本目标检测

本研究致力于解决跨领域小样本目标检测(CD-FSOD)的挑战,提出了一种准确的对象检测器,用于具有最少标记示例的新领域。通过引入多个指标来量化域差异,并建立具有多样化域度量值的新的 CD-FSOD 基准,对一些最先进的开放式对象检测方法进行评估,结果表明,直接采用开放式检测器进行 CD-FSOD 会导致性能下降。“CD-ViTO” 通过引入多种新颖组件,包括微调、可学习的原型模块和轻量级注意力模块,旨在克服性能降级问题并回答提出的第二个问题。实验证明,我们的 CD-ViTO 在领域外和领域内目标数据集上均取得了令人印象深刻的结果,为 CD-FSOD 和 FSOD 建立了新的 SOTAs。所有数据集、代码和模型将向社区发布。

本研究提出了一种准确的对象检测器,用于跨领域小样本目标检测。通过引入多个指标来量化域差异,并建立新的CD-FSOD基准,对开放式对象检测方法进行评估。实验证明,CD-ViTO在领域内外目标数据集上取得了令人印象深刻的结果。

相关推荐 去reddit讨论

BriefGPT - AI 论文速递 -

HASSOD:分层自适应自监督目标检测

通过层次自适应的自我监督物体检测(HASSOD)方法,本研究对对象进行探测并理解其构成,通过自我监督学习任务来提高检测性能和解释能力,同时采用 Mean Teacher 框架以提高训练效率,从而在自我监督物体检测领域取得了显著的进展。

该文章介绍了一种自我监督的目标检测框架,通过对比学习构建了位置映射,并通过细节增强模块丰富了位置标签的信息。同时,还设计了一种无监督非显著对象抑制方法。实验证明该方法在目标检测中取得了领先的性能。

相关推荐 去reddit讨论

BriefGPT - AI 论文速递 -

脉冲中心网络:基于蒸馏提升的脉冲神经网络于目标检测

在 AI 边缘计算、自动驾驶汽车和气候变化的时代,需要节能、小型、嵌入式 AI。脉冲神经网络 (SNNs) 是应对这一挑战的有前途的方法,具有事件驱动的信息流和稀疏激活。我们提出了适用于事件数据的脉冲 CenterNet 用于目标检测。它结合了一个 SNN CenterNet 的适应性和一个基于高效 M2U-Net 的解码器。我们的模型在 Prophesee 公司具有挑战性的 GEN1 汽车检测数据集上的性能明显优于可比较的先前工作,同时能使用不到一半的能量。将非脉冲教师的知识蒸馏到我们的 SNN 中进一步提高了性能。据我们所知,我们的工作是脉冲目标检测领域第一个利用知识蒸馏的方法。

相关推荐 去reddit讨论

BriefGPT - AI 论文速递 -

目标检测定位错误是否影响人类表现和信任度?

通过观察多目标计数任务中观察者表现研究,探究了边界框定位误差与人类任务表现之间的关系,并发现定位误差对人类准确性和信任度没有显著影响,而召回率和精确率误差则会影响人类的表现和信任度,因此优化算法时基于 F1 分数更有利于人机任务。最后,本文提出了在带有中心点的多目标计数任务中的边界框改进方法,展示了改进的性能和更好的对定位误差的韧性。

通过观察多目标计数任务中的观察者表现研究,发现定位误差对人类准确性和信任度没有显著影响,而召回率和精确率误差则会影响人类的表现和信任度。因此,在优化算法时,基于F1分数更有利于人机任务。同时,提出了在带有中心点的多目标计数任务中的边界框改进方法,展示了改进的性能和更好的对定位误差的韧性。

相关推荐 去reddit讨论

BriefGPT - AI 论文速递 -

MelNet:一种实时的深度学习目标检测算法

本研究介绍了一种名为 MelNet 的新颖深度学习算法用于目标检测,该算法使用 KITTI 数据集进行训练,并在训练 300 个时期后得到了 0.732 的 mAP 得分。结果突显了在某些情况下使用迁移学习的有效性,并且还表明通过仅在 KITTI 数据集上训练 MelNet 可以在 150 个时期后超过 EfficientDet,并且在训练后 MelNet 的性能与其他预训练模型相当。

本研究介绍了一种名为MelNet的深度学习算法,用于目标检测。经过300个时期的训练,使用KITTI数据集,获得了0.732的mAP得分。结果显示迁移学习在某些情况下有效,并且MelNet在150个时期后超过了EfficientDet的性能。

相关推荐 去reddit讨论

BriefGPT - AI 论文速递 -

纠正长尾目标检测中的回归偏差

长尾目标检测中存在回归偏差,并且此研究首次尝试揭示和纠正回归偏差对长尾目标检测的影响。

本文研究并解决目标检测和分割模型在长尾数据集上的问题。通过调研发现,不准确的对象提案分类是主要原因。提出了一种校准框架,结合二级类平衡采样方法,有效提高了尾部类别实例分割的准确性。

相关推荐 去reddit讨论

热榜 Top10

...
LigaAI
...
Dify.AI
...
观测云
...
eolink
...
天勤数据
...
白鲸技术栈
...
ShowMeBug

推荐或自荐