TITS 2024 | 用于交通场景中多目标同时检测与跟踪的 Yolo - 3DMM 模型

最新推荐文章于 2025-06-03 14:56:47 发布
最新推荐文章于 2025-06-03 14:56:47 发布
阅读量256 收藏
点赞数 7
分类专栏： 计算机顶会顶刊论文解读 文章标签： YOLO 3d 计算机顶刊 论文解读 深度学习 TITS
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/146134699
版权

论文信息

题目：Yolo - 3DMM for Simultaneous Multiple Object Detection and Tracking in Traffic Scenarios
用于交通场景中多目标同时检测与跟踪的 Yolo - 3DMM 模型
作者：LiChen Liu, XiangYu Song, HuanSheng Song, ShiJie Sun, Xian - Feng Han, Naveed Akhtar, Ajmal Mian

论文创新点

  1. 提出新型3D特征骨干网络：受Darknet - 53启发，提出Darknet3d - 53。该网络同时处理多个帧及其3D检测结果，能有效进行三维时空特征和轨迹运动提取，通过在时间维度卷积，提升了提取物体运动信息的能力，相比2D结构网络，能检测到更多运动轨迹，更适合检测运动轨迹
了解本专栏 订阅专栏 解锁全文
论文速览 | IEEE TITS,2024| Interference Suppression for Automotive Millimeter-Wave Radars With Fused Las
NLOS的博客
05-10 508
本文提出一种快速收敛的汽车毫米波雷达互干扰抑制方法。该方法基于时域信号,避免了传统方法中的频域变换,计算量大为减少。并且通过融合lasso模型和反正切范数的引入,可以有效提取脉冲状的干扰信号。实验结果表明,与现有算法相比,本方法抑制效果更优,时延更短。因此,该方法在汽车毫米波雷达互干扰抑制方面具有重要应用价值。
TITS 2024 | 用于域自适应目标检测的尺度解耦与不确定性引导对齐方法
小白学视觉
05-27 25
无监督域自适应目标检测方法旨在将知识从标签充足的源域转移到无标签的目标域。现有的大多数方法通过对抗学习在不同层次上最小化域差异。然而，对抗学习没有考虑到对未对齐样本和对齐良好样本的不同影响，因为它们只是以相同的权重匹配不同的分布。为了解决这个问题，作者设计了一种新颖的用于域自适应目标检测的尺度解耦和不确定性引导对齐方法（SDUGA），它主要由三个部分组成：（1）解耦尺度粗模块，该模块将尺度信息从全局图像特征中解耦出来，并通过对抗学习训练域分类器，对相应尺度进行跨域单独对齐；（2）解耦尺度细模块，该模块将解耦
TITS 0119-2019限定场景下的低速自动驾驶系统性能要求与测试规程
06-16
《TITS 0119-2019限定场景下的低速自动驾驶系统性能要求与测试规程》是中国智能交通产业联盟发布的一项团体标准，旨在规范和指导特定操作环境中的低速自动驾驶系统的性能与测试方法。该标准于2019年12月27日发布，并...
TITS 0117-2020合作式智能运输系统.pdf
06-17
TITS 0117-2020合作式智能运输系统是中国交通智能化领域的一个重要标准，旨在规定合作式智能运输系统（Cooperative Intelligent Transportation System）中RSU（Roadside Unit）与中心子系统之间的数据接口规范。...
YOLOv8 移动端升级：借助 GhostNetv2 主干网络，实现高效特征提取
shrgegrb的博客
05-31 785
本文提出一种基于GhostNetv2改进YOLOv8目标检测主干网络的方法。GhostNetv2作为轻量级CNN架构，通过Ghost模块生成特征图并引入硬件友好的注意力机制，显著降低了计算复杂度。我们将YOLOv8原有的CSPDarknet53主干替换为GhostNetv2，同时保留多尺度特征提取能力。实现方案包括DFC注意力模块和GhostBottleneckV2结构，在参数量和计算量大幅减少的同时保持了检测精度，特别适合移动端和嵌入式设备部署。实验表明，改进后的模型在保持YOLOv8检测性能的同时，计算
[yolov11改进系列]基于yolov11引入迭代注意力特征融合iAFF的python源码+训练源码
FL1623863129的博客
06-01 800
YOLO11 是Ultralytics YOLO 系列实时物体检测器的最新版本，以尖端的精度、速度和效率重新定义了可能性。基于先前 YOLO 版本的令人印象深刻的进步，YOLO11 在架构和训练方法方面引入了重大改进，使其成为各种计算机视觉任务的多功能选择。
[yolov11改进系列]基于yolov11引入多尺度空洞注意力MSDA的python源码+训练源码
FL1623863129的博客
06-01 665
YOLO11 是Ultralytics YOLO 系列实时物体检测器的最新版本，以尖端的精度、速度和效率重新定义了可能性。基于先前 YOLO 版本的令人印象深刻的进步，YOLO11 在架构和训练方法方面引入了重大改进，使其成为各种计算机视觉任务的多功能选择。
yolov8添加注意力机制
m0_37302966的博客
05-30 318
yolov8添加注意力机制
[yolov11改进系列]基于yolov11引入可变形注意力DAttention的python源码+训练源码
FL1623863129的博客
06-01 613
YOLO11 是Ultralytics YOLO 系列实时物体检测器的最新版本，以尖端的精度、速度和效率重新定义了可能性。基于先前 YOLO 版本的令人印象深刻的进步，YOLO11 在架构和训练方法方面引入了重大改进，使其成为各种计算机视觉任务的多功能选择。
YOLOv5 ：训练自己的数据集
weixin_44523812的博客
06-02 844
**🍨 本文为[🔗365天深度学习训练营](https://mp.weixin.qq.com/s/rnFa-IeY93EpjVu0yzzjkw) 中的学习记录博客**- **🍖 原作者：[K同学啊](https://mtyjkh.blog.csdn.net/)**我们接着上一篇文章配置完YOLOv5需要的环境后，今天我们试着用YOLOv5训练自己的数据集。
yolo个人深入理解
2301_79164062的博客
06-01 410
而yolov8进行了创新,取消了一个CBS,而是更新了c2f,cbs之后进行split分层进行三层BottleNeck特征提取,这是针对于两者不同的理解.卷积层的理解，通过云端服务器训练模型，模型构建的重要性，针对极低像素的处理，模型训练召回率提高技巧，卷积层2,4,8，16,32的小模型与大模型的理解。5.所谓冻结骨干与注意力机制的添加过于玄学，大部分模型都可以通过黄金样本解决，只有样本标注都没有问题在考虑注意力方面。2.训练样本的准确性，制造黄金样本，所谓黄金样本就是目标工件的准确性，无异议性。
YOLO11改进-mamba-引入 Hybrid Module 提升复制场景下的多尺度 小目标问题，减少噪声
qq_64693987的博客
06-03 887
本文提出一种结合Transformer与Mamba的混合模型HybridModule，用于改进YOLOv11目标检测性能。该模型通过Transformer的自注意力机制实现补丁级全局语义理解，同时利用Mamba的线性计算复杂度捕获像素级长程依赖，形成双层次交互学习框架。实验表明，该改进有效提升了小目标检测精度和复杂场景下的上下文关联能力。文章详细介绍了将HybridModule集成到YOLOv11的具体实现步骤，包括代码修改、模型配置和训练流程，为相关研究提供了可复现的技术方案。
[yolov11改进系列]基于yolov11引入高效坐标注意力机制CoordAttention的python源码+训练源码
FL1623863129的博客
05-31 712
YOLO11 是Ultralytics YOLO 系列实时物体检测器的最新版本，以尖端的精度、速度和效率重新定义了可能性。基于先前 YOLO 版本的令人印象深刻的进步，YOLO11 在架构和训练方法方面引入了重大改进，使其成为各种计算机视觉任务的多功能选择。
使用Yolov8 训练交通标志数据集：TT100K数据集划分
m0_66434421的博客
05-31 784
本文介绍了使用Yolov8训练TT100K交通标志数据集的准备工作，主要包括数据集下载与划分两部分内容。首先提供了TT100K数据集的官方下载链接，并对比了2016和2021版本的类别数量差异。随后详细阐述了数据集划分的流程：1）生成类别统计文件classes_statistics.json，保留图片数超过100的45个类别；2）将原始数据集转换为COCO格式，并按7:2:1的比例划分为训练集、验证集和测试集（train.json/test.json/val.json）。
[yolov11改进系列]基于yolov11引入反向残留移动块注意力机制iRMB的python源码+训练源码
FL1623863129的博客
05-29 1005
YOLO11 是Ultralytics YOLO 系列实时物体检测器的最新版本，以尖端的精度、速度和效率重新定义了可能性。基于先前 YOLO 版本的令人印象深刻的进步，YOLO11 在架构和训练方法方面引入了重大改进，使其成为各种计算机视觉任务的多功能选择。
[yolov11改进系列]基于yolov11引入大型分离卷积注意力模块LSKA减少计算复杂性和内存的python源码+训练源码
FL1623863129的博客
05-30 612
YOLO11 是Ultralytics YOLO 系列实时物体检测器的最新版本，以尖端的精度、速度和效率重新定义了可能性。基于先前 YOLO 版本的令人印象深刻的进步，YOLO11 在架构和训练方法方面引入了重大改进，使其成为各种计算机视觉任务的多功能选择。
Yolov8的详解与实战-深度学习目标检测
OICQQ67658008的博客
05-31 707
摘要： YOLOv8是Ultralytics公司推出的目标检测新版本，在YOLOv5基础上进行多项改进：采用C2F模块轻量化Backbone、优化PAN-FPN结构、使用解耦头设计、引入Anchor-Free机制，并改进损失函数（VFL分类损失+DFL回归损失）。模型提供从n到x五种规格，在COCO数据集上mAP和参数量均有所提升。文章详细解析了C2F模块结构、损失函数原理及头部设计变化，并提供了COCO数据集训练和自定义数据集（Labelme格式）的完整实践流程
[yolov11改进系列]基于yolov11引入倒置残差块块注意力机制iEMA的python源码+训练源码
FL1623863129的博客
05-29 902
倒置残差块（IRB）作为轻量级CNN的基础设施，在基于注意力的研究中尚未有对应的部分。本文从统一的视角重新考虑了基于高效IRB和Transformer有效组件的轻量级基础设施，将基于CNN的IRB扩展到基于注意力的模型，并抽象出一个残差的元移动块（MMB）用于轻量级模型设计。遵循简单但有效的设计准则，本文推导出了现代化的倒置残差移动块（IRMB），并以此构建了类似ResNet的高效模型（EMO）用于下游任务。
YOLOv11 | 注意力机制篇 | LSKAttention大核注意力与C2PSA机制助力极限涨点
最新发布
weixin_39818775的博客
06-03 21
极限性能突破：COCO mAP提升5.8%，小目标检测提升9.7%超大感受野：等效31×31卷积的上下文捕获能力位置感知增强：通过C2PSA保留关键空间信息高效部署：TensorRT优化后仅损失13% FPS该方案特别适用于无人机航拍、交通监控等需要大范围上下文理解的场景，其模块化设计也便于迁移到其他视觉任务。未来工作将聚焦于注意力机制的自动压缩和3D扩展。
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