TIM 2024 | TTSDA-YOLO：一种用于恶劣天气下目标检测的两阶段训练域自适应框架

最新推荐文章于 2025-05-12 21:49:39 发布
最新推荐文章于 2025-05-12 21:49:39 发布
阅读量85 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： YOLO 目标检测 人工智能 深度学习 TIM 论文解读 计算机顶刊
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/146134524
版权

论文信息

题目：TTSDA-YOLO: A Two Training Stage Domain Adaptation Framework for Object Detection in Adverse Weather
TTSDA-YOLO：一种用于恶劣天气下目标检测的两阶段训练域自适应框架
作者：Mengmeng Zhang, Qiyu Rong, Hongyuan Jing

论文创新点

  1. 提出全新训练策略：提出一种新的训练策略，将训练过程划分为两个阶段。第一阶段利用源域数据训练，借助多尺度图像级域自适应（IDA）模块，使正常天气域逐步适应恶劣天气域，让骨干网络提取域不变特征；第二阶段使用辅助域数据训练，充分挖掘辅助域信息，增强模型迁移学习能力，实现知识从源域到目标域的有效转移。
  2. 设计骨干正则化模块（BRM）</
了解本专栏 订阅专栏 解锁全文
CVPR 2024最新论文分享┆YOLO-World：一种实时开放词汇目标检测方法
audyxiao001的博客
09-06 4665
本推文主要介绍了一种开放词汇目标检测的一种新方法，名为YOLO-World。论文主要提出了一种创新的开词汇目标检测方法，通过引入视觉-语言建模和大规模预训练解决了传统YOLO检测器在固定词汇检测中的局限性。
论文阅读＜SSDA-YOLO: SEMI-SUPERVISED DOMAIN ADAPTIVE YOLO FOR CROSS-DOMAIN OBJECT DETECTION＞
yrhzmu的博客
12-21 1624
域自适应目标检测(Domain adaptive object detction, DAOD)旨在缓解跨域差异引起的迁移性能下降。但是当前DAOD主要使用的不是工业界首选的两阶段目标检测方法Faster R-CNN。在这篇论文中，提出了一种新的基于半监督域自适应YOLO ( SSDA-YOLO )的方法，通过将的单阶段强检测器YOLOv5与域自适应相结合来提高跨域检测性能。具体来说，我们将知识蒸馏框架与均值教师模型相结合，以辅助学生模型获取未标注目标领域的实例级特征。
【multiscale domain adaptive yolo for cross-domain object detection】论文阅读
wnismiddle的博客
06-17 1361
作者提出一种基于 YOLOv4 对象检测器的多个尺度的域自适应YOLO (MS-DAYOLO) 框架，引入多个domain adaptation路径和相应的域分类器来生成领域不变特征。在代表自动驾驶应用的挑战性天气条件的目标数据上进行测试时，目标检测性能有了显著提高。这也是首次将yolo用于domain adaptation并取得性能改善的研究。..................
论文笔记1——SSDA-YOLO: SEMI-SUPERVISED DOMAIN ADAPTIVE YOLO FOR CROSS-DOMAIN OBJECT DETECTION
当代优秀青年的学习博客
06-04 3003
DAOD的目的是目的缓解跨域差异导致的传输性能下降，目前的DAOD方法大多数是过时、计算量大的两阶段检测器Faster-rcnn，本文提出了半监督的域自适应YOLO方法，使用一阶段的检测器YOLOv5。具体，将知识蒸馏框架与MT模型相结合，帮助学生模型获得未标记目标领域的实例级特征，利用风格迁移转换在不同域交叉生成伪图像，弥补图像级差异。
ERUP-YOLO: Enhancing Object Detection Robustness for Adverse Weather——通过统一图像自适应处理增强恶劣天气条件下的目标检测鲁棒性
Together_CZ的博客
01-31 1570
ERUP-YOLO:EnhancingObjectDetectionRobustnessforAdverseWeather——通过统一图像自适应处理增强恶劣天气条件下的目标检测鲁棒性
计算机视觉研究院 | Drone-YOLO：一种有效的无人机图像目标检测
csdn_xmj的博客
04-07 8557
无人机图像中的目标检测是各个研究领域的重要基础。然而，无人机图像带来了独特的挑战，包括图像尺寸大、检测对象尺寸小、分布密集、实例重叠和照明不足，这些都会影响对象检测的有效性。
达摩院 | DAMO-YOLO：兼顾速度与精度的新目标检测框架
CV_Autobot的博客
11-30 2990
作者| 陈威华 编辑| 极市平台点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【目标检测】技术交流群后台回复【2D检测综述】获取鱼眼检测、实时检测、通用2D检测等近5年内所有综述！导读达摩院最近开源了DAMO-YOLO！其效果达到了YOLO系列的SOTA，接下来，让我们一起看看相关具体内容。1.简介DAMO-YOLO是一个兼顾速度与精度的目标检测框...
论文速读：基于 YOLO 目标检测的无源域自适应（ECCV2024）
m0_63294504的博客
10-23 2620
本文提出了首次使用YOLO系列单发探测器的SFDA方法。本文方法采用了一个带有学习的、目标领域特定的增强和一种新的通信机制的师生框架来稳定训练，减少了对模型选择中带注释的目标数据的依赖，这对现实世界的应用至关重要。SF-YOLO 优于所有基于Faster R-CNN的SFDA方法，甚至一些使用源数据的基于UDA yolo的方法。
【论文精读】DAMO-YOLO：兼顾速度与精度的高效目标检测框架（ A Report on Real-Time Object Detection Design）
慕溪同学的博客
03-28 4722
DAMO-YOLO是阿里巴巴达摩院在2022年提出的一种模型，这里建议大家可以直接看4.3部分的特征网络融合部分，该网络是在GFPN特征网络上进行改进的，因为GFPN有很多上采样操作并且并行化比较低，导致了Flops高效Latency低效；因为我使用该方法去替换了yolov5中Neck部分的PANet融合方法，确实有所涨点
改进YOLOv3 | IA-YOLO让恶劣天气的目标检测起飞了!!!
qq_29462849的博客
12-17 3066
点击上方“计算机视觉工坊”，选择“星标”干货第一时间送达作者丨ChaucerG来源丨集智书童虽然基于深度学习的目标检测方法在传统数据集上取得了良好的效果，但在恶劣天气条件下从低质量图像中定...
国内警车检测数据集VOC+YOLO格式2874张1类别
FL1623863129的博客
05-10 206
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)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。标注类别名称:["policecar"]policecar 框数 = 3765。图片数量(jpg文件个数)：2874。标注数量(xml文件个数)：2874。标注数量(txt文件个数)：2874。使用标注工具：labelImg。标注规则：对类别进行画矩形框。
计算机视觉——基于树莓派的YOLO11模型优化与实时目标检测、跟踪及计数的实践
知来者逆的博客
05-01 3080
YOLO11模型是专门为边缘设备优化的目标检测模型，与YOLOv8相比，它在显著降低模型复杂度（最多降低37%）的同时，仍保持了较高的检测精度（约85%的平均精度均值）。这种优化使得YOLO11能够在资源受限的树莓派上实现高效的实时目标检测，为边缘设备上的复杂计算机视觉任务提供了可能。其轻量级的模型结构和高效的推理性能，使其成为在树莓派上部署目标检测应用的首选模型之一。
YOLOv1 目标检测算法深度解析
sinat_34897952的博客
05-12 749
YOLOv1是一种革命性的目标检测算法，通过将检测任务转化为单一回归问题，实现了端到端的优化。其核心创新包括空间网格划分机制和联合预测编码策略，将输入图像划分为7×7网格，每个网格预测两个边界框和20类概率。网络架构由24个卷积层和2个全连接层组成，输入图像尺寸为448×448×3，最终输出7×7×30的张量。损失函数采用加权MSE损失，包含坐标损失、置信度损失和分类损失。YOLOv1在速度上具有显著优势，但存在小目标检测召回率低和定位精度不足的局限性。
物品识别 树莓派4 YOLO v11
caoyongsheng的博客
05-10 288
下面这条命令将安装 OpenCV 以及运行 YOLO 所需的基础设施。安装完毕，接着，打开Thonny，切换到常规模式。官方PyPI源在2025年Q1出现过区域性访问故障。用 Thonny 创建个文件 yolo.py。树莓派换清华源，bookworm。还会安装大量其他软件包，容易失败。如果安装失败（会显示一大片红色）如果有问题，再用这个装一下。点一下绿色 Run 按钮。可以识别身边的一些物品。
棉花杂草检测数据集VOC+YOLO格式4279张2类别
最新发布
FL1623863129的博客
05-12 207
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["noweed","weed"]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。图片数量(jpg文件个数)：4279。标注数量(xml文件个数)：4279。标注数量(txt文件个数)：4279。
（四）YOLO_World-SAM-GraspNet的mujoco抓取仿真（操作记录）
ou1531037815的博客
05-10 503
这里直接克隆之前项目的环境。
YOLOv5推理代码解析
Xjb200512的博客
05-12 794
代码如下代码中做，帮助你从初学者的角度完全理解代码。这是图像推理的主函数，完成从原始图像到预测结果的所有操作。将原始图像img0缩放成模型输入要求的大小（例如 320×320）。是一种图像插值方式，适合缩小图像时使用。OpenCV 读取图像是 BGR 顺序，而深度学习模型通常使用 RGB，因此这里需要转换颜色通道。把图像的数据类型转为float32，并将像素值从[0, 255]范围归一化到[0, 1]，符合模型输入要求。OpenCV图像的格式是(H, W, C)
国内特殊车辆检测数据集VOC+YOLO格式4930张3类别
FL1623863129的博客
05-10 148
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)标注类别名称:["policecar","ambulance",'fire engine']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。图片数量(jpg文件个数)：4930。标注数量(xml文件个数)：4930。标注数量(txt文件个数)：4930。使用标注工具：labelImg。标注规则：对类别进行画矩形框。
恶劣天气下IA-YOLO：智能目标检测提升准确性的关键
IA-YOLO框架的核心在于每个图像都能自适应地进行增强，以提升在恶劣天气条件下的检测性能。它采用了可微分图像处理（DIP）模块，这是一个关键组件，它允许在YOLOv3目标检测器中无缝融入图像增强过程。通过一个小型...
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