墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
1k累计阅读
1.1k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
https://blog.youkuaiyun.com/xys430381_1/article/details/89044820
小目标检测文章总结
2018年小目标检测文章总结
小目标检测论文阅读
小目标检测：Improving Small Object Detection
[快速小目标检测–Feature-Fused SSD: Fast Detection for Small Objects]
不需要预训练模型的检测算法—DSOD
DSOD是在SSD算法的基础上进行改进的，可以简单理解为SSD+DenseNet=DSOD
论文笔记之目标检测（2）-- GRP-DSOD
主要贡献：
1、提出了一个新颖的结构设计–循环特征金字塔，非常时候从头训练的目标检测网络，在收敛速度和精度上都得到了不错的提升。
2、提出了广泛适用于目标检测的门控机制，是第一个在目标检测方面尝试重新校正监督信息的。
3、在DSOD应用门控循环特征金字塔即GRP-DSOD成为表现最好的不需要预训练模型的目标检测器。
小目标检测思路
1 小目标小 小目标小，所以占用图像的像素就少，特征就少 检测框小，漏检率高 解决思路： 1）数据增强。 复制小目标，经过旋转缩放等，粘贴到该图像其它地方 2）利用小目标上下文信息。如检测人脸，脸通常和头脖子肩膀在一起，可以一起作为检测对象。 如检测红绿灯，通常和灯外面的罩子一块检测。 3）将图像划分为几个重叠的区域，将每个区域作为一张图像送入网络训练 2 样本不均衡 为了定位目标，基于anchor的方法是预先在图像的每一个位置生成一系列的Anchor，在训练中，通过设定固定的阈值..
【计算机视觉 | 小目标检测】小目标检测性能UP！19种高效又实用的解决方法分享！
【计算机视觉 | 小目标检测】小目标检测性能UP！19种高效又实用的解决方法分享！
YOLOv8『小目标』检测指南
目前博主课题组在进行物体部件的异常检测项目，项目中需要先使用YOLOv8进行目标检测，然后进行图像切割，最后采用WinCLIP 模型进行部件异常检测但是在实际操作过程中出现问题， YOLOv8 模型目标检测在大目标精确度不错，但是在小目标检测中效果极差我们之前的解决方案是扩大异常部件的目标检测范围，易于检测。但是缺点是会增大异常检测的识别难度，需要对异常检测模型进行处理，暂时放弃因此我们着重将目标放在如何修改 YOLOv8 ，使其具有处理小目标的能力，这是本文的重点内容。
深度学习-小目标检测训练技巧
小目标检测广义是指在图像中检测和识别尺寸较小、面积较小的目标物体。通常来说，小目标的定义取决于具体的应用场景，但一般可以认为小目标是指尺寸小于 32*32 像素的物体，如下图 COCO 数据集的定义。当然，对于不同的任务和应用，小目标的尺寸和面积要求可能会有所不同。
小目标检测难点分析和解决策略
迁移学习适用于数据稀缺、标注成本高的任务，可广泛应用于小目标检测及其他机器学习任务（如情感分类、缺陷检测等）。
【论文解读】transformer小目标检测综述
本综述论文回顾了60多篇研究论文，专注于开发小目标检测任务的transformer，包括纯基于transformer和集成cnn的混合技术。这些技术已经从七个不同的角度进行了研究：目标表示、用于高分辨率或多尺度特征图的快速注意机制、架构和块的修改、时空信息、改进的特征表示、辅助技术和完全基于transformer的检测。这些类别都包括几种最先进的（SOTA）技术，每一种都有自己的优点。
目标检测算法——小目标检测
一、定义 1、以物体检测领域的通用数据集COCO物体定义为例，小目标是指小于32×32个像素点（中物体是指32*32-96*96，大物体是指大于96*96）。 2、在实际应用场景中，通常更倾向于使用相对于原图的比例来定义：物体标注框的长宽乘积，除以整个图像的长宽乘积，再开根号，如果结果小于3%，就称之为小目标。 二、难点 coco上面： 1、包含小目标的样本数量较少，这样潜在的让目标检测模型更关注中大目标的检测。 2、由小目标覆盖的区域更小，这样小目标的位置会缺少多样性。我们推测这使得小目标
深度学习—yolov5改进小目标检测
yolov5改进—小目标检测头+CBAM+BiFPN
【计算机视觉】小目标检测研究进展：小目标定义及难点分析（详细讲解）
【计算机视觉】小目标检测研究进展：小目标定义及难点分析（详细讲解）
基于深度学习的小目标检测方法综述
随着深度学习的发展，基于深度学习的目标检测技术取得了巨大的进展，但小目标由于像素少，难以提取有效信息，造成小目标的检测面临着巨大的困难和挑战. 为了提高小目标的检测性能，研究人员从网络结构、训练策略、数据处理等方面展开了大量的研究，并取得了一定的进展. 然而，与大、中目标检测相比，目前小目标的检测性能依然存在着较大的差距. 目标尺度是影响目标检测性能的重要因素之一. 目前，无论在公开数据集还是现实世界采集的图像中，小目标的检测精度远远低于大目标和中等尺度目标，并经常出现漏检和误检. 但小目标检测在许多实际
拆解人形机器人：核心硬件与驱动系统
本文深入解析人形机器人的核心硬件系统，将其类比为"骨骼+肌肉+神经"的集成体。重点介绍了三大关键组件：驱动单元（无框力矩电机和空心杯电机）、传动单元（谐波减速器和行星滚柱丝杠）以及感知单元（力矩传感器、编码器和IMU）。文章指出一体化关节模组正成为行业趋势，能够实现更紧凑的结构和更高的可靠性。同时分析了硬件价值量分布，强调丝杠、电机等部件是当前技术高地和成本重心。最后指出随着技术进步，机器人价值将更多向"大脑"和"神经"转移。
yolov5小目标检测-提高检测小目标的检测精度
本次分享的就是最近刚刚发布的基于企业开发需要而产生的yolov5（因为相关论文还没有发表，所以本文不过分讲解其中原理，可自行了解；只对具体的实现操作和部署进行分享）。以下会详细介绍yolov5的下载安装和使用技巧以及如何使用自己的数据集进行小目标的检测工作。
利用featureCounts实现高效转录本定量：从比对到下游分析
本文详细介绍了利用featureCounts工具进行RNA-seq转录本定量的完整流程。从软件安装、输入文件准备，到核心命令参数解析与批量样本处理，再到将生成的计数矩阵无缝衔接至DESeq2进行差异表达分析，提供了从比对到下游分析的一站式实战指南。文章重点阐述了featureCounts在效率与易用性上的优势，并分享了常见问题排查与性能优化技巧，帮助研究者高效完成转录本定量这一关键步骤。
小目标检测常用解决方法
小目标检测 1 定义 通用的定义来自 COCO 数据集，定义小于 32x32 pix 的为小目标。 2 小目标检测的难点 可利用特征少 现有数据集中小目标占比少 小目标聚集问题 首先小目标本身分辨率低，图像模糊，携带的信息少。由此所导致特征表达能力弱，也就是在提取特征的过程中，能提取到的特征非常少，这不利于我们对小目标的检测。 另外通常网络为了减少计算量，都使用到了下采样，而下采样过多，会导致小目标的信息在最后的特征图上只有几个像素（甚至更少），信息损失较多。 在 COCO 挑战赛上，小目标的检测精度(
告别NEDC！手把手教你将CLTC/WLTP等最新工况文件导入AVL Cruise（附资源包）
本文详细指导如何将CLTC、WLTP等最新工况文件导入AVL Cruise软件，替代传统的NEDC工况。从资源获取、文件预处理到分步导入指南，再到常见问题排查，帮助工程师高效完成汽车仿真性能评估。附赠全球主流工况文件资源包，助力精准仿真分析。
云架构师进阶【SAP迁移方案设计】手把手教您玩转SAP上云
一，项目背景介绍 今天又接到了北京某制造企业SAP迁移的场景，先简单说明一下，好好的SAP在运行着为什么要做迁移这类大动作呢？众所周知SAP的ERP是企业的绝对核心系统，尤其对于制造业更是核心的系统，这样一套核心系统还是生产环境在迁移的过程中必然要面临比较大的挑战，如果有任何问题的话，都会对企业的绩效产生很大的影响。 经过跟客户沟通才得知，客户的SAP原来的系统是托管在运营商机房里，近期感染了勒索病毒，导致业务宕机，SAP应用服务器无法启动，仅有的数据库服务器可以运行。基于上述情况公司领导当机立断决定迅
小目标检测的一些总结
1. 概述 无论是在检测还是分割算法中小目标的检测或分割都是比中等与大目标难的，一般来讲在COCO检测数据集上小目标的检测性能是大目标的一半不到。 那么什么样的目标才能算是小目标呢？下图是COCO网站上对于不同大小目标的定义（面积小于32∗3232*3232∗32的目标）： 小目标检测困难的原因分析： 1）网络的stride特性：检测网络中一般使用CNN网络作为特征提取工具，在CNN网络中为了...
ARM的CI-700和Arteris的NoC对比
设计理念：CI-700注重于为移动和客户端SoC提供定制化的互连解决方案，而Arteris的NoC更侧重于提供灵活、可配置的网络互连技术，适用于多种应用场景。性能与功耗：CI-700通过系统级缓存和网状拓扑结构优化性能和功耗，而Arteris的NoC通过物理感知和多协议支持来提升性能和降低功耗。功能安全：Arteris的NoC提供了功能安全支持，这对于汽车和工业应用尤为重要，而CI-700虽然也关注安全性，但未明确提及功能安全支持。互操作性。
小目标检测综述
传统小目标检测算法流程1.输入待检测图片对象，首先对待检测图片进行候选框提取。1.输入图像，开始训练，首先进行数据预处理（可采用图片翻转、图片缩放，CutOut、CutMix、MixUp、Moasaic等处理手段）2.采用一些经典的模式识别中的算法（基于颜色、基于纹理、基于形状等语义特征的方法）进行特征提取2.检测网络。包含基础骨干（卷积网络、转换器网络）、特征融合（金字塔结构、编解码结构）、初始化（锚点、角点、查询）、预测（分类、回归、中心度）等四个过程。......
【PyGIS】ERA5降雨蒸散发数据预处理
ERA5-LAND降雨蒸散发数据预处理
手机直连低轨卫星通信：架构、关键技术和未来展望
【摘 要】借助低轨卫星星座全时全域覆盖优势，手机直连卫星通信预期成为6G重要特征之一。首先介绍了手机直连卫星的测试验证、标准化与商业项目发展现状。其次，介绍了基于透明转发、部分可再生处理、完全可再生处理、集成接入和回传的四种手机直连低轨卫星网络架构及组网方式。通过分析手机直连低轨卫星网络场景下高移动性与大传输时延等带来的接入与传输问题，提出对地面移动通信体制进行适应性改进的关键技术方案。最后，探讨了未来手机直连低轨卫星发展发向和潜在思路。通过上述阐述与分析，提供未来发展手机直连低轨卫星通信的可行路径。【关
yolov5检测小目标（附源码）
yolov5小目标检测（图像切割法） 前言 yolov5大家都熟悉，通用性很强，但针对一些小目标检测的效果很差。 YOLOv5算法在训练模型的过程中，默认设置的图片大小为640640像素，为了检测小目标时，如果只是简单地将img-size改为40004000大小，那么所需要的内存会变得非常之大，几乎没有可行性。 以下是对6k * 4k的图片，进行小目标检测训练结果，八张图一个字：烂 数据集（路面标志）： 图像切割 最简单的方法就是把这个大图片切割成小图片，参考开源框架SAHI[1] 几个问题： 1、简
pytorch 51 GroundingDINO模型导出tensorrt并使用c++进行部署，53ms一张图
博主基于https://github.com/hpc203/GroundingDINO-onnxrun项目分享的onnx c++推理代码，修改为GroundingDINO模型的tensorrt推理代码。对于600x400的输入，在3060显卡下，cuda 12.1，TensorRT-10.4.0，window环境下53ms处理完一张图片。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
5186
扫一扫
