YOLO是一种高效的目标检测方法，能够实时预测物体边界框和类别。研究提出了多个数据集和框架，提升了无人机在复杂环境下的物体检测能力，特别是在热红外图像处理和时空信息融合技术方面。这些创新显著提高了小型空中物体的检测准确性和效率，具有广泛的应用前景。

研究人员提出了一种基于可见光和热红外图像融合的目标跟踪方法，通过轻量级的即时学习器实现了两种模态信息的全面融合，该跟踪架构既有效又高效。

本文介绍了一种改善夜晚热红外图像到日间彩色图像转换性能的方法，使用生成对抗网络和反馈式目标外观学习（FoalGAN）方法，并通过引入小目标外观损失和双重反馈学习策略来提高小对象的外观学习能力。实验证明FoalGAN在小目标的外观学习方面表现出色，并在NTIR2DC任务中优于其他图像转换方法。同时，提供像素级注释的数据集来促进对多种气候条件下的热红外图像的理解研究。