yolo改进---针对模糊场景

最新推荐文章于 2024-10-20 22:08:32 发布
最新推荐文章于 2024-10-20 22:08:32 发布
阅读量1k 收藏 19
点赞数 4
分类专栏： 夜间目标检测 文章标签： 深度学习 人工智能 目标检测
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Hoshea_sun/article/details/129298727
版权
这些文章介绍了针对恶劣天气和低光环境优化的YOLO变体，包括Image-AdaptiveYOLO、GDIP（门控可微图像处理）和MS-DAYOLO，它们分别通过自适应图像处理和多尺度策略提高目标检测性能。YOLOintheDark则提出了一种模型融合的域适应方法，专为低光照条件设计。
摘要由CSDN通过智能技术生成

目录

1.Image-Adaptive YOLO for Object Detection in Adverse Weather Conditions

 2. 改进的IAYOLO---GDIP:Gated Differentiable Image Processing for Object-Detection inAdverse       Conditions

 3.MS-DAYOLO来了！多尺度域自适应的YOLO，恶劣天气也看得见！

4.YOLO in the Dark - Domain Adaptation Method for Merging Multiple Models

​编辑 

1.Image-Adaptive YOLO for Object Detection in Adverse Weather Conditions

文章连接：(74条消息) 深度学习论文: Image-Adaptive YOLO for Object Detection in Adverse Weather Conditions及其PyTorch实现_mingo_敏的博客-CSDN博客

PDF: https://arxiv.org/pdf/2112.08088.pdf 

源代码：wenyyu/Image-Adaptive-YOLO: The code for "Image-Adaptive YOLO for Object Detection in Adverse Weather Conditions (AAAI 2022)" (github.com)

 2. 改进的IAYOLO---GDIP:Gated Differentiable Image Processing for Object-Detection inAdverse Conditions

文章连接：(74条消息) 改进的IAYOLO---GDIP:Gated Differentiable Image Processing for Object-Detection inAdverse Conditions_沈四岁的博客-CSDN博客

论文地址：https://arxiv.org/abs/2209.14922

代码地址：https://github.com/Gatedip/GDIP-Yolo

 

 

 

 3.MS-DAYOLO来了！多尺度域自适应的YOLO，恶劣天气也看得见！

论文：https://arxiv.org/abs/2106.01483

GitHub：Mazin-Hnewa/MS-DAYOLO: Multiscale Domain Adaptive YOLO for Cross-Domain Object Detection (github.com)

文章连接：(74条消息) MS-DAYOLO来了！多尺度域自适应的YOLO，恶劣天气也看得见！_Amusi（CVer）的博客-CSDN博客

4.YOLO in the Dark - Domain Adaptation Method for Merging Multiple Models

文章链接：(74条消息) 低光图像目标检测论文：YOLO in the Dark - Domain Adaptation Method for Merging Multiple Models阅读笔记__,_的博客-CSDN博客

论文链接：YOLO in the Dark - Domain Adaptation Method for Merging Multiple Models | SpringerLink

来源：ECCV 2020

在这里插入图片描述

 

 

 

Hoshea_sun
关注
专栏目录
改进YOLOv8主干的低照度检测模型 | PE-YOLO的设计与应用【附涨点保姆级代码】
一键难忘的博客
10-24 3493
提取亮度特征# 增强特征return xPE-YOLO通过引入低照度增强模块和改进的特征提取策略，显著提高了YOLOv8在低照度物体检测任务中的性能。通过实验验证，PE-YOLO在多个实际应用场景中表现优异，尤其是在智能监控、无人机巡逻和自动驾驶等领域。然而，该模型仍然面临一些挑战，如训练成本的增加和超参数调优的复杂性。未来的研究方向可以包括引入自适应照度调整机制、多尺度特征融合技术以及GAN数据增强方法，进一步提升模型的鲁棒性和泛化能力。
YOLOV:图像对象检测器在视频对象检测方面表现也很不错
CV技术指南（微信公众号）
08-27 2687
与传统的两段pipeline不同，论文提出了在一段检测之后再进行区域级的选择，避免了处理大量低质量的候选区域。此外，还构建了一个新的模块来评估目标帧与参考帧之间的关系，并指导聚合。
图像自适应YOLO：恶劣天气下的目标检测（附源代码）
gzq0723的博客
12-18 4061
关注并星标从此不迷路计算机视觉研究院公众号ID｜ComputerVisionGzq学习群｜扫码在主页获取加入方式论文获取｜回复“IAYOLO”获取paper源代码：https://gith...
IA-YOLO代码复现
m0_57667919的博客
10-08 484
IAYOLO代码复现evaluate.py运行
【yolov5】为yolov5网络增加图像模糊的图像增强方法
sazass的博客
11-02 6289
坡哦
计算机视觉论文速递（三）YOLO-Pose：《Enhancing YOLO for Multi Person Pose .....》实时性高且易部署的姿态估计模型
与君共勉，一起学习
05-08 2683
计算机视觉论文速递（三）YOLO-Pose：《Enhancing YOLO for Multi Person Pose .....》实时性高且易部署的姿态估计模型1. 简介2. YOLO-Pose方法2.1 总览2.2 Anchor based multi-person pose formulation2.3 IoU Based Bounding-box Loss Function2.4 Human Pose Loss Function Formulation2.5 Test Time Augmentat
YOLO-Pose: Enhancing YOLO for Multi Person Pose Estimation Using Object Keypoint Similarity Loss 笔记
AnZhiJiaShu's blog
10-09 2934
摘要：本文引入了一种新的 heatmap-free 联合检测法：YOLO-Pose，基于YOLO目标检测框架进行2D多人姿态估计。现有的基于热图的两阶段方法是次优的，因为它们不是端到端可训练的，且训练依赖于一个surrogate L1 loss，该损失不能直接优化评估指标：对象关键点相似(OKS)。YOLO-Pose能够端到端训练，并优化OKS指标本身。
ImageAdaptive-YOLO
whaosoft143ai的博客
12-21 1110
由于输入图像的域偏移，由高质量图像训练的一般目标检测模型在恶劣的天气条件下（例如，有雾和暗光）往往无法获得令人满意的结果。Narasimhan和Nayar以及You等人提出在恶劣天气下拍摄的图像可以分解为干净的图像及其对应的天气信息，而恶劣天气下的图像质量下降主要是由于天气信息和物体之间的相互作用造成的，这导致检测性能差。由于CNN在处理高分辨率图像（例如4000×3000）时会消耗大量的计算资源，研究者从下采样的256×256大小的低分辨率图像中学习滤波器参数，然后将相同的滤波器应用于原始分辨率的图像。
SOD-YOLOv8 - 增强YOLOv8以在交通场景中检测小目标
最新发布
TJMtaotao的博客，高校计算机教师
10-20 1205
提出了Small Object Detection YOLOv8 (SOD-YOLOv8)，这是一种专门针对涉及众多小目标场景的新颖模型。 受到Efficient Generalized Feature Pyramid Networks (GFPN)的启发，作者在YOLOv8中增强多路径融合，以合并多层级的特征，保留浅层细节并提高小目标检测精度。 引入第4个检测层用于有效利用高维度的空间信息。 C2f-EMA模块中的高效多尺度注意力模块（EMA）通过重新分配权重和优先考虑相关特征增强特征提取。
基于全局注意力的改进YOLOv7-AC的水下场景目标检测系统.zip
04-08
【描述】本项目是一个计算机类的毕业设计或课程作业，主要实现了针对水下场景的目标检测系统，采用了一种改进的YOLOv7-AC模型，引入了全局注意力机制，旨在提高在复杂水下环境中的目标检测精度。 【详细知识点】 1...
基于全局注意力的改进YOLOv7-AC的水下场景目标检测系统
04-26
因此，需要针对水下场景的特点进行改进和优化，以提高水下目标检测的准确性和鲁棒性。 全局注意力机制是一种有效的注意力机制，可以帮助模型在输入图像的不同区域上分配不同的注意力权重。在目标检测任务中，全局...
yolov7-e6e-training.pt yolov7-w6-training.pt yolov7x-training.pt
07-03
这个模型是YOLO（You Only Look Once）系列的最新版本，它在前几代的基础上进行了重大改进，包括YOLOv3和YOLOv4。这些文件"yolov7-e6e-training.pt"、"yolov7-w6-training.pt"和"yolov7x-training.pt"代表了使用不同...
Image-Adaptive YOLO for Object Detection in Adverse Weather Conditions(IA-YOLO)
AI小花猫的博客
03-29 1371
一个使用DIP模块，自适应的增强目标检测网络输入图像，进而提高目标检测在复杂环境下的性能的自适应网络模型
探索Image-Adaptive YOLO：智能图像检测的新突破
gitblog_00026的博客
04-19 400
探索Image-Adaptive YOLO：智能图像检测的新突破 Image-Adaptive-YOLOThe code for "Image-Adaptive YOLO for Object Detection in Adverse Weather Conditions (AAAI 2022)"项目地址:https://gitcode.com/gh_mirrors/im/Image-Adapt...
Image-Adaptive-YOLO 使用教程
gitblog_00750的博客
08-21 758
Image-Adaptive-YOLO 使用教程 Image-Adaptive-YOLOThe code for "Image-Adaptive YOLO for Object Detection in Adverse Weather Conditions (AAAI 2022)"项目地址:https://gitcode.com/gh_mirrors/im/Image-Adaptive-YOLO...
YOLO窥见黑夜|YOLO in the Dark让黑夜里的目标检测成为可能
3D视觉工坊
10-07 4899
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达对于处理新的视觉任务，则需要额外的数据集，这需要花费大量精力。本文提出了一种域自适应的新方法，该方法可以比创建附加数据集更轻松地合并...
低光图像目标检测论文：YOLO in the Dark - Domain Adaptation Method for Merging Multiple Models阅读笔记
import_torch_as_tf
05-07 9497
论文链接：https://link.springer.com/chapter/10.1007/978-3-030-58589-1_21 来源：ECCV 2020 Abstract 生成模型来处理新的可视化任务需要额外的数据集，这需要花费大量的精力来创建。我们提出了一种域自适应的方法来合并多个模型，比创建一个额外的数据集更省力。该方法将预先训练好的模型与生成模型相结合，在不增加数据集的情况下，将潜在特征反馈给粘合层进行训练。我们还提出了一个生成模型，它是通过从预先训练的模型中提取知识来创建的。这使得数据
【雾天行人车辆检测】手把手教你复现 Image-Adaptive-YOLO 模型 ① ：Quick Test
作者正在煮茶中...
02-29 1399
这篇文章主要记录了如何配置项目环境以及进行 Quick Test 。
YOLO in the Dark论文阅读笔记
read, note and comment papers
07-22 868
YOLO in the Dark - Domain Adaptation Method for Merging Multiple Models 阅读笔记 文章提出了一种解决在两个数据集上的两种任务的融合方式: 上左图为输入低光照图片,输出高光照图片的SID模型,右图为输入高光照图片输出检测结果的YOLO模型,文章希望提出 一个方式实现中间的图,即预测的时候能够将两个模型融合到一起成为输入低光照图片输出检测结果的模型. 为了实现上述方案,文章提出了一个知识蒸馏的方案: 利用一个训练好的SID模型和高\
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值