目标检测
文章平均质量分 70
学术菜鸟小晨
5年IT从业经验,人工智能高级算法工程师、人工智能领域新星创作者、博客专家
展开
-
目标检测类项目数据集汇总
目标检测是计算机视觉领域的重要任务,其目标是在图像或视频中识别并定位特定物体的位置。为了训练和评估目标检测算法的性能,研究人员和开发者经常会使用一些广泛应用的数据集。以下是一些常用的十类目标检测数据集,这些数据集提供了丰富的图像资源和相关的标注信息,可以帮助研究人员和开发者进行目标检测算法的训练和测试。原创 2023-10-27 09:21:01 · 975 阅读 · 1 评论 -
人员检测(人头计数):A Novel Voronoi-based Convolutional Neural Network Framework for Pushing Person Detectio
论文作者:Ahmed Alia,Mohammed Maree,Mohcine Chraibi,Armin Seyfried作者单位:Institute for Advanced Simulation, Forschungszentrum Jülich;Department of Computer Simulation for Fire Protection and Pedestrian Traffic, Faculty of Architecture and Civil Engineering, Unive原创 2023-10-20 08:55:48 · 57 阅读 · 0 评论 -
yolov7车牌识别(12种中文车牌类型)
近年来,随着深度学习和神经网络等技术的发展,车牌检测与识别技术取得了显著的进展,不断提升了识别准确率和鲁棒性,为智能交通和安防监控等领域的应用提供了更多可能性。车牌检测与识别技术在智能交通系统、停车场管理、安防监控等领域具有重要应用价值。其主要意义包括:提高交通管理效率:可以实现对车辆的自动识别和跟踪,提高交通违章检测和管理的效率。增强安全监控能力:通过对车辆的自动识别,可以实现对车辆行驶轨迹的监控和追踪,增强安全监控的能力。便捷停车管理:可用于停车场的自动识别和计费,提高停车管理的便捷性和效率。原创 2023-10-09 10:46:11 · 537 阅读 · 1 评论 -
3D目标检测:DFA3D: 3D Deformable Attention For 2D-to-3D Feature Lifting
论文作者:Hongyang Li,Hao Zhang,Zhaoyang Zeng,Shilong Liu,Feng Li,Tianhe Ren,Lei Zhang作者单位:South China University of Technology; The Hong Kong University of Science and Technology; International Digital Economy Academy (IDEA); Tsinghua University论文链接:http://arx原创 2023-10-08 10:44:39 · 171 阅读 · 0 评论 -
细粒度特征提取和定位用于目标检测:PPCNN
近年来,深度卷积神经网络在计算机视觉上取得了优异的性能。深度卷积神经网络以精确地分类目标信息而闻名,并采用了简单的卷积体系结构来降低图层的复杂性。基于深度卷积神经网络概念设计的VGG网络。VGGNet在对大规模图像进行分类方面取得了巨大的性能。该网络设计了一堆小卷积滤波器,使网络结构非常简单,但网络有一些定位错误。就有研究者提出了独特的网络架构,PPCNN(金字塔池化卷积神经网络),以减少定位误差,并提取高级特征图。该网络由改进的VGGNet和U-shape特征金字塔网络组成。原创 2023-10-07 14:38:30 · 1763 阅读 · 0 评论 -
道路分割:Leveraging Topology for Domain Adaptive Road Segmentation in Satellite and Aerial Imagery
为了强制在未标记的目标领域中保持对道路和骨架的一致预测,定义了跨骨架预测头和道路分割头之间的一致性损失。此外,为了进行自训练,使用基于连通性的伪标签精化策略来过滤掉噪声伪标签,分别在道路和骨架分割头上进行操作,从而避免了孔洞和不连续性。然而,道路只是图像的一小部分,其外观、类型、宽度、高程、方向等在地理区域之间存在较大的变化。特别是对于SpaceNet到DeepGlobe的自适应,该方法在IoU、F1-score和APLS方面的性能分别比竞争方法提高了最少6.6%、6.7%和9.8%。原创 2023-09-30 14:40:41 · 118 阅读 · 0 评论 -
3D目标检测:MS3D++: Ensemble of Experts for Multi-Source Unsupervised Domain Adaption in 3D Object Detec
论文作者:Darren Tsai,Julie Stephany Berrio,Mao Shan,Eduardo Nebot,Stewart Worrall作者单位:University of Sydney论文链接:http://arxiv.org/abs/2308.05988v1项目链接:https://github.com/darrenjkt/MS3D1)方向:3D目标检测2)应用:3D目标检测3)背景:在不熟悉的领域中部署3D检测器可能导致检测性能急剧下降,因为来自原始训练数据集的变化会引起领域差异。4原创 2023-09-28 10:41:36 · 96 阅读 · 0 评论 -
草莓检测+YOLOv5s:Real-time Strawberry Detection Based on Improved YOLOv5s Architecture for Robotic Harve
论文作者:Zixuan He,Salik Ram Khana,Xin Zhang,Manoj Karkee,Qin Zhang作者单位:Washington State University; Mississippi State University论文链接:http://arxiv.org/abs/2308.03998v11)方向:目标检测模型2)应用:农业领域,草莓检测3)背景:本研究提出了一种名为YOLOv5s-Straw的目标检测架构,用于在户外环境中检测草莓。研究对YOLOv5s的原始架构进行了修原创 2023-09-27 15:31:29 · 268 阅读 · 1 评论 -
小样本目标检测:ECEA: Extensible Co-Existing Attention for Few-Shot Object Detection
具体而言,首先设计了一种可扩展的注意力机制,从局部区域开始,将注意力扩展到与给定局部区域相似且相邻的共存区域。然后,在不同的特征尺度上实现可扩展的注意力机制,逐步发现各种感受野中的完整对象。3)背景:现有的FSOD方法大多采用两阶段学习范式,通过学习全局特征将从丰富的基类中学到的知识转移到少样本检测器上。5)结果:在PASCAL VOC和COCO数据集上进行的广泛实验表明,ECEA模块可以帮助少样本检测器完全预测对象,尽管一些区域在训练样本中没有出现,并且与现有的FSOD方法相比取得了新的最优结果。原创 2023-09-19 09:23:10 · 433 阅读 · 0 评论 -
车辆检测:An Efficient Wide-Range Pseudo-3D Vehicle Detection Using A Single Camera
4)方法:本文提出了一种新颖的基于单摄像头图像的宽范围伪3D车辆检测方法,并结合了高效的学习方法。为了检测伪3D物体,我们的模型采用了专门设计的检测头。为了进一步提高检测性能,在模型训练过程中设计了一个联合约束损失,结合了物体框和SPL,提高了模型的效率、稳定性和预测准确性。3)背景:现有的基于矩形边界框(BBox)的车辆检测方法在感知宽范围物体,特别是远距离的小物体方面存在困难。5)结果:在自建数据集上的实验结果表明,所提出模型在多个评估指标下实现了良好的宽范围伪3D车辆检测性能。原创 2023-09-19 09:14:43 · 416 阅读 · 0 评论