目标检测
文章平均质量分 90
yrhzmu
这个作者很懒,什么都没留下…
展开
-
论文阅读<Contrastive Learning-based Robust Object Detection under Smoky Conditions>
目标检测是指有效地找出图像中感兴趣的目标,然后准确地确定它们的类别和位置。近年来,许多优秀的方法被开发出来,以提供强大的检测能力。然而,在恶劣天气如烟熏条件下,它们的性能可能会显著降低。在这篇论文基于对比下学习提出了一个鲁棒的烟雾图像目标检测算法。提出的算法由两个模块组成,对比学习模块(Contrast learning module)和目标的预测框第一个模块通过最大化同一烟雾图像的不同增强视图之间的一致性来学习表示向量,然后把这些特征送入第二个模块以生成bounding box。此外还提出了一个新颖的。原创 2023-12-30 22:32:48 · 1440 阅读 · 5 评论 -
论文阅读<CF-YOLO: Cross Fusion YOLO for Object Detection in Adverse Weather.....>
论文链接:https://arxiv.org/pdf/2309.08152.pdfhttps://arxiv.org/pdf/2206.01381.pdfhttps://arxiv.org/pdf/2309.08152.pdf代码链接:https://github.com/DiffPrompter/diff-prompter目前没有完整代码放出。 恶劣天气下的目标检测主要有以下三种解决方案:1)使用预处理(pre-processing),例如image desnowing/deraining/原创 2023-12-25 20:20:28 · 1715 阅读 · 2 评论 -
YOLOv5代码解析——train.py
Checks# 输出所有训练参数# 检查代码版本是否更新# 检查所需要的包是否都安装了。原创 2023-12-25 16:01:09 · 1087 阅读 · 1 评论 -
论文阅读<GDIP: Gated Differentiable Image Processing for Object-Detection in Adverse Conditions>
在恶劣天气和光照条件下检测物体对于自动驾驶汽车的安全和持续运行至关重要,并且仍然是一个尚未解决的问题。我们提出了一个门控可微图像处理( GDIP )模块,一个域无关的网络结构,它可以插入现有的目标检测网络,并使用恶劣条件下的图像进行端到端的训练,例如在雾和低光照下捕获的图像。我们提出的GDIP块直接通过下游的目标检测损失来学习增强图像。这是通过学习多个同时操作的图像预处理( IP )技术的参数来实现的,它们的输出结合使用通过一种新颖的门控机制学习的权重。原创 2023-12-19 11:09:48 · 1206 阅读 · 4 评论 -
论文阅读<MULTISCALE DOMAIN ADAPTIVE YOLO FOR CROSS-DOMAIN OBJECT DETECTION>
域适应领域在解决许多应用中遇到的域迁移问题方面发挥了重要作用。这个问题是由于用于训练的源数据分布与实际测试场景中使用的目标数据分布之间的差异造成的。本文提出了一种新的多尺度域自适应YOLO ( MultiScale Domain Adaptive YOLO,MS-DAYOLO )框架,该框架在最近引入的YOLOv4目标检测器的不同尺度上使用多个域适应路径和相应的域分类器来生成域不变特征。我们使用流行的数据集来训练和测试我们提出的方法。原创 2023-12-20 10:47:21 · 1084 阅读 · 0 评论 -
论文阅读<SSDA-YOLO: SEMI-SUPERVISED DOMAIN ADAPTIVE YOLO FOR CROSS-DOMAIN OBJECT DETECTION>
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。原创 2023-12-21 20:09:28 · 1170 阅读 · 0 评论 -
论文阅读<TogetherNet:Bridging Image Restoration and Object Detection Together via Dynamic Enhancement L>
雾霾、雨、雪等恶劣天气条件往往会降低采集图像的质量,导致在正常图像上训练的检测网络在这些场景中泛化性较差。在本文中,我们提出了一个有趣的问题- -如果将图像复原和目标检测相结合,可以提高尖端检测器在恶劣天气条件下的性能。为了回答这个问题,我们提出了一个有效但统一的检测范式,通过动态增强学习将这两个子任务连接起来,以识别不利天气条件下的物体,称为"联合网络"。与现有的直接将图像去雾/去雨作为预处理步骤的工作不同,我们考虑了多任务联合学习问题。原创 2023-12-22 16:37:16 · 944 阅读 · 0 评论