TGRS 2024 | 基于多模态自适应特征融合的空中小目标检测方法

最新推荐文章于 2025-04-28 18:22:34 发布
最新推荐文章于 2025-04-28 18:22:34 发布
阅读量71 收藏 1
点赞数
分类专栏： 计算机顶会顶刊论文解读 文章标签： 目标检测 目标跟踪 人工智能 计算机顶刊 论文解读 TGRS
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/qq_42722197/article/details/146134189
版权

论文信息

题目：Airborne Small Target Detection Method Based on Multimodal and Adaptive Feature Fusion
基于多模态自适应特征融合的空中小目标检测方法
作者：Shufang Xu, Xu Chen, Haiwei Li, Tianci Liu, Zhonghao Chen, Hongmin Gao, Yiyan Zhang

论文创新点

  1. 提出YOLO - SA网络：作者提出了用于空中小目标检测的YOLO - SA网络，该网络由特征融合模块和YOLO网络构成。鉴于RGB和IR图像的特性，二者融合被视为小目标检测的理想方式。
  2. 设计SACAF模块：为充分利用早期融合中互补的双模态特征优势，提出SACAF模块。此模块运用双注意力机制增强各模态
了解本专栏 订阅专栏 解锁全文
【TGRS 2024】高光谱图像的混合先验约束无监督去雾网络
小白学视觉
03-24 53
在高光谱图像（HSIs）中，雾霾污染会导致表面信息缺失和图像清晰度降低，这严重影响了后续图像解释的性能。现有的基于模型的高光谱去雾方法具有良好的可解释性和泛化能力，但由于原理限制，它们只能处理特定波长范围内的图像。基于深度学习的去雾方法具有出色的特征提取能力，但在实际应用中获取足够的训练数据成本高昂。同时，考虑到HSIs具有光谱低秩结构，充分利用低秩性质将有助于HSIs的重建。为了结合基于深度学习和基于物理模型方法的互补优势，我们决定将HSI去雾重建表述为一个无监督的深度图像先验（DIP）框架。
飞机目标检测
whaosoft143ai的博客
08-20 756
我们观察到，这一假设是正确的，因为与默认的超参数（0.027）相比，使用最优超参数集的训练在epoch 100处实现了更好的性能我们基于验证mAP50-95选择最佳超参数，批量为16，随机梯度下降（SGD），动量为0.937，权重衰减为0.01，分类损失权重λcls=1，box损失权重λbox=5.5，分布焦点损失权重λdfl=2.5。它们体积小，机动性强，噪音低。然后，我们在更能代表真实环境的数据集（即更高的遮挡率、较小的空间大小、旋转等）上使用这些学习到的参数进行迁移学习，以生成我们的精细模型。
【数据集】工厂固定视角拍摄叉车数据集yolo-voc-9500张
lwx666sl的博客
12-21 186
数据集介绍：此 叉车数据集为工厂仓库内固定摄像拍摄的叉车工作时的视频截图标注而成的数据集。特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。压缩包内含：3个文件夹，分别存储图片、xml、txt文件。Annotations文件夹中xml文件总计：9500。JPEGImages文件夹中jpg图片总计：9500。labels文件夹中txt文件总计：9500。数据集格式：VOC格式+YOLO格式。标签形状：矩形框，用于目标检测识别。图片清晰度（分辨率：像素）：清晰。
YOLC：空中图像中的微小物体检测新突破
gzq0723的博客
08-26 965
点击蓝字关注我们关注并星标从此不迷路计算机视觉研究院公众号ID｜计算机视觉研究院学习群｜扫码在主页获取加入方式计算机视觉研究院专栏Column of Computer Vision Institute在人工智能和计算机视觉领域，物体检测是一项基础且关键的任务。尤其在空中图像的背景下，这项任务变得更加复杂和具有挑战性。PART/1 概述目前航拍图像中检测物体有着一下几项重大挑战：1）...
yolo-nas无人机高空红外热数据小目标检测（教程+代码）
QQ_1309399183的博客
10-26 735
yolo-nas无人机高空红外热数据小目标检测（教程+代码）
空中目标检测与跟踪
09-07
这是整合了X. RONG LI和VESSELIN P. JILKOV有关空中目标跟踪的研究成果。值得参考。
TGRS-2024 | 基于多层次多模态融合Transformer的遥感语义分割
Python_cocola的博客
03-06 1374
准确的遥感数据语义分割对地球科学研究和应用的成功至关重要。近年来，基于多模态融合的分割模型因其相比传统单模态技术的卓越性能而备受关注（研究背景）。然而，大多数现有模型采用卷积神经网络（CNN）或视觉Transformer（ViT）进行融合操作，导致局部-全局上下文建模能力和表征能力不足（现有研究的不足）。为此，本文提出了一种名为FTransUNet的多层次多模态融合方案，通过将CNN和ViT整合至统一融合框架，为语义分割构建鲁棒有效的多模态融合主干网络。
（TGRS，2024）KG-ZSL：利用基于知识图谱的零样本学习模型识别未知灾难场景
lalula的博客
07-08 1168
未见类别预测是现实世界应用中的一个常见挑战，特别是在遥感（RS）图像解释领域。基于零样本学习（ZSL）的场景分类方法最近取得了显著进展，为RS领域中未见场景识别提供了一种有效的解决方案，通过语义嵌入将看到和未见类别联系起来。然而，现有的ZSL方法主要关注语义特征探索，未能有效结合图像特征和语义特征。为了解决上述挑战，我们提出了一种新颖的基于知识图谱（KG）的ZSL模型，该模型巧妙地整合了图像和语义特征以识别灾难RS场景。首先，我们构建了一个RS-KG。
文心一言在应急管理中的应用：灾害预警系统
AI天才研究院
04-10 1334
自然灾害和突发公共事件对人类社会构成严重威胁，有效的应急管理和灾害预警系统能够显著减少人员伤亡和经济损失。本文旨在探讨百度文心一言大语言模型在灾害预警系统中的创新应用，分析其技术实现路径、优势特点以及实际应用效果。文心一言的核心技术架构灾害预警系统的关键需求文心一言与预警系统的集成方案实际应用案例分析未来发展趋势背景介绍：阐述研究背景和基本概念核心技术：分析文心一言的关键技术特点系统架构：展示灾害预警系统的整体设计技术实现：详细说明算法原理和实现细节。
论文复现笔记（一）：Multisource Joint Representation Learning Fusion Classification for Remote Sensing Images
Cu_04的博客
02-03 911
MIBfusion 通过MSCNN & PCNN 提取模态特征，AD-NAL 平衡特征学习速率，NormInteraction 进行模态交互，IB-Fusion 进行信息压缩，最终用 IBloss_R 进行优化。提高了遥感影像分类的准确率，同时减少了冗余信息，提高了模型的泛化能力。
小目标检测性能起飞！YOLC：简单高效的Anchor Free目标检测框架
CV_Autobot的博客
04-20 1127
作者| 集智书童编辑| 极市平台点击下方卡片，关注“自动驾驶之心”公众号戳我-> 领取自动驾驶近15个方向学习路线>>点击进入→自动驾驶之心『目标检测』技术交流群本文只做学术分享，如有侵权，联系删文导读作者提出了一种新颖且高效的 Anchor-Free 目标检测框架YOLC，在两个航拍图像数据集上取得了最先进的表现。与许多现有方法相比，它简单优雅，仅包含一个网络，参数...
IEEE Transactions on Geoscience and Remote Sensing(IEEE TGRS)中深度学习相关文章及研究方向总结
想到好名再改的博客
04-08 9523
本文旨在调研TGRS中所有与深度学习相关的文章，以投稿为导向，总结其研究方向规律等。文章来源为EI检索记录，选取2020到2023年期间录用的所有文章，约4000条记录。同时，考虑到可能有会议转投期刊，模型改进转投或相关较强等情况，本文也添加了这些文章。
YOLC~
whaosoft143ai的博客
04-18 554
值得注意的是，作者提出的YOLC显著提高了小目标的检测性能，而中大型目标的改进并不明显。首先，它是一个无监督的模块，这意味着它可以无缝地集成到任何基于关键点的检测器中，而无需额外的簇 Proposal 网络。现有的基于裁剪的方法，如DMNet，产生许多裁剪或使用额外的网络，如ClusDet，导致检测速度低且模型参数增加。此外，尽管上述方法生成了簇区域，但某些簇中的目标分布是稀疏的，对最终性能的贡献很小。具体来说，作者将原始的损失替换为GWD损失，并尝试了基于IoU的损失，如GIoU，DIoU和CIoU。
2021年小目标检测最新研究综述 很全面值得收藏
lyk_ffl的专栏
08-11 6019
摘要 小目标检测长期以来是计算机视觉中的一个难点和研究热点。在深度学习的驱动下，小目标检测已取得了重大突破，并成功应用于国防安全、智能交通和工业自动化等领域。为了进一步促进小目标检测的发展，本文对小目标检测算法进行了全面的总结，并对已有算法进行了归类、分析和比较。首先，对小目标进行了定义，并概述小目标检测所面临的挑战。然后，重点阐述从数据增强、多尺度学习、上下文学习、生成对抗学习以及无锚机制等方面来提升小目标检测性能的方法，并分析了这些方法的优缺点和关联性。之后，全面介绍小目标数据集，并在一些常用的公共数
高压开关柜局部放电信号分析系统
最新发布
m0_61057267的博客
04-28 1004
这个项目是我在2025年实现的高压开关柜局部放电信号分析系统，目的是通过采集分析局部放电信号，判断设备的工作状态和潜在故障。系统包含从信号模拟生成、特征提取、到深度学习模型训练的全流程，最终可自动生成分析报告。
Python项目--基于计算机视觉的手势识别控制系统
exlink2012的专栏
04-23 2691
随着人机交互技术的快速发展，传统的键盘、鼠标等输入设备已经不能满足人们对自然、直观交互的需求。手势识别作为一种非接触式的人机交互方式，具有操作自然、交互直观的特点，在智能家居、游戏控制、虚拟现实等领域有着广泛的应用前景。 本项目旨在开发一个基于计算机视觉的手势识别控制系统，通过摄像头捕获用户的手部动作，实时识别手势类型，并将识别结果转化为相应的控制命令，实现对计算机或其他设备的非接触式控制。
人工智能(AI)对网络管理的影响
ITmoster的博客
04-25 1330
AI正从工具演变为网络管理的“核心大脑”，其价值不仅在于效率提升，更在于为复杂问题提供系统性解决方案。
小目标检测 tgrs
01-17
### 小目标检测在高分辨率遥感图像中的应用 小目标检测是遥感领域的重要课题之一，在高分辨率卫星影像中具有广泛应用。针对这一主题的研究主要集中在提高检测精度和鲁棒性方面。 #### 半监督卷积神经网络的应用 一种有效的解决方案是在半监督框架下利用卷积神经网络进行特征提取与分类。例如，SemiCDNet作为一种创新性的方法被提出用于变化检测任务，该模型通过引入少量标注数据来指导未标记样本的学习过程，从而有效提升了对于细微差异的识别能力[^2]。 然而，具体到小目标检测上，研究者们也探索了多种技术路径： - **多尺度特征融合**：为了捕捉不同大小的目标物体，采用多层次的感受野机制可以增强模型对细粒度结构的理解。 - **注意力机制**：通过对输入图像的关键区域施加权重调整，使得网络能够更加关注潜在的小型实体位置。 - **数据增强策略**：由于实际场景中小目标的数量通常较少，因此合理的扩充训练集有助于缓解过拟合现象并改善泛化性能。 ```python import torch.nn as nn class SmallObjectDetector(nn.Module): def __init__(self, num_classes=1): super(SmallObjectDetector, self).__init__() # 定义一个多层感知器作为基础架构 self.features = nn.Sequential( nn.Conv2d(in_channels=3, out_channels=64, kernel_size=(3, 3), padding='same'), nn.ReLU(), ... ) # 添加自定义模块实现特定功能如注意力机制或多尺度处理 def forward(self, x): output = self.features(x) return output ```
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

打赏作者

小白学视觉

您的赞赏是我们坚持下去的动力~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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