- 博客(8)
- 收藏
- 关注
RSS订阅原创 SAM2MOT基于SAM2的多目标追踪
旨在通过学习到的关联网络增强身份一致性，核心是通过查询（Query 机制建模目标身份：例如，用一个初始查询（如第一帧中目标的特征）持续追踪该目标在后续帧中的位置，通过专门学习的 “关联网络”（而非传统的手工设计规则）来匹配跨帧目标。核心局限是严重依赖大量的标注的MOT数据，其生成的query，匹配的逻辑需通过海量的视频跟踪标注数据的训练，然而现实场景缺乏此类数据集，导致在数据稀缺的场景中性能下降明显，实用性受限制。而本文则使用一种新的多目标跟踪范式，采用SAM2强大的分割自跟踪能力来实现对多目标的跟踪。
2025-10-15 09:52:12
996
原创 详解GCD：增量目标检测
论文地址：发表期刊：2025年AAAI论文概述：增量目标检测（IOD）是一项具有挑战性的任务，它要求检测模型不断从新到达的数据中学习。这项工作的重点是视觉语言检测器（VLDs）的增量学习，这是一个未开发的领域。现有的研究通常采用局部对齐范式来避免标签冲突，其中不同的任务是单独学习的，没有交互。然而，我们发现，这种做法未能有效地保持语义结构。具体来说，当处理新的类别时，对象和文本之间的对齐关系会崩溃，最终导致灾难性的遗忘。
2025-05-06 20:25:48
2499
原创 详解LED: LLM Enhanced Open-Vocabulary Object Detection without Human Curated Data Generation
论文地址：发表期刊：2025年CVPR论文概述：在大规模视觉文本数据上训练的大型基础模型，能够通过数据生成的方式显著提升开放词汇目标检测（OVD）的效果。简单来说，就是这些模型利用大量的图像和文本数据，生成新的数据来帮助 OVD 更好地识别物体。不过，这种方式也存在问题，生成的合成数据可能会有偏差，而且模型容易过度拟合特定的配置。而直接利用大语言模型（LLMs）的隐藏状态，能够避开人工策划数据生成带来的偏差。但令人惊讶的是，这方面的研究少之又少。
2025-04-16 13:59:50
956
原创 详解LaMI-DETR: Open-Vocabulary Detection with Language Model Instruction
本文提出 LaMI-DETR 用于开放词汇目标检测，旨在解决现有方法中概念表示不足和对基础类别过拟合的问题。通过 GPT 构建视觉概念、T5 研究类别间视觉相似性来提取类别间关系，优化概念表示并避免过拟合。
2025-04-04 11:32:27
971
原创 详解CP-DETR：概念提示引导DETR实现更强的通用目标检测
为解决该问题，提出了一种强通用的检测基础模型CP-DETR，该模型仅需一个训练前权值，在几乎所有场景下都具有较好的性能.具体地说，我们设计了一个高效的提示视觉混合编码器，通过逐尺度和多尺度融合模块来增强提示和视觉之间的信息交互。在DETR架构中，分类和位置损失都在对象查询上实现，但是由于对象查询的数量远远小于 图像特征的数量，并且使用一对一的集合匹配方式，每个对象对应一个目标或背景，导致编码器输出的特征在训练时候接收到的监督信号比较稀疏，从而影响模型跨膜太跨尺度交互结果。
2025-03-29 10:58:26
2541
原创 VSCODE中集成Anaconda 扩展包，确保终端能识别 Conda 路径
未正确配置 Conda 环境切换功能。原因是 Conda 的环境变量未集成到当前 Shell 中，需要通过。重新打开PowerShell，验证命令。输入下面代码，路径修改为自己路径。初始化 Shell 配置。保存以后即可使用啦。
2025-03-16 17:20:24
558
原创 下载pytorch加速
以CMD为例子，复制好命令，打开CMD，将命令输入到CMD窗口中回车，即可给CMD窗口实现科学上网。点击以管理员运行，选择复制命令。点击端口，出现终端代理。（1）使用清华源镜像。
2025-03-16 15:56:06
769
原创 SwinIR复现总结
测试集也需要放入图片分别放入HR文件夹下，以及LR-bicubic文件夹中X2文件夹中。（其中X2，X4等文件夹与图像分辨率有关例如，高清图像分辨率是低清的2倍则放入X2文件夹下）主要原因是测试集中的图像大小也需要一致，在HR文件中放正常图像，而在LR_bicubic文件中放×2或者×3图像。配置文件存放在options文件中，修改配置文件数据集路径、图像尺寸，其中scale与图像分辨大小有关。其中LR中数据有×2 ×3倍，本次数据集使用的为scale设置为2。*该命令使用后默认会使用清华源地址；
2025-02-24 11:03:09
1678
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人