红外街道图像的目标检测：多尺度 对象级数据增强

最新推荐文章于 2025-03-29 07:26:23 发布
最新推荐文章于 2025-03-29 07:26:23 发布
阅读量1.9k 收藏 11
点赞数 1
分类专栏： 深度学习与目标检测 文章标签： 深度学习 机器学习 人工智能 计算机视觉
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.youkuaiyun.com/weixin_43931548/article/details/109087586
版权

红外街道图像的目标识别：多尺度+对象级数据增强

Multiscale Object Detection in Infrared Streetscape Images Based on Deep Learning and Instance Level Data Augmentation

文章目录

一、背景

1.红外目标检测与本文的目标

​ 红外传感器技术一直在发展，基于红外图像的人脸识别和行人检测也在越来越引人注意。但是红外目标检测面临一些考验：目前对于红外图像的检测方法局限在单分类检测，对于包含许多类以及许多尺度的红外街道图像的研究很少；红外图像的分辨率和对比度很低，高质量红外图像数据的稀少也阻碍了对应目标检测的发展。

​ 作者想要做到的是：

​ 1）提高基于红外图像的神经网络对多尺度目标的检测能力

​ 2）高质量图像少，存在类别不平衡问题，所以设计一种数据增强的方法，更好地利用数据

2.Faster R-CNN对多尺度不友好

​ Faster R-CNN的目标检测能力比较优秀，已经研究人员将Faster R-CNN应用到红外图像进行研究了，而且准确率要优于传统的方法。但是Faster R-CNN对多尺度检测的关注很少，它的一些设计是不利于多尺度检测的：

1）RPN只使用最后一层特征图提取区域建议ÿ

最低0.47元/天 解锁文章
基于YOLOv5的FLIR热成像数据集目标检测：行人、车辆与建筑物检测
m0_52343631的博客
04-28 449
FLIR热成像数据集由FLIR Systems公司发布，主要用于红外热图像下的目标检测任务。数据集包含了多种类型的热成像图像，目标包括行人、车辆和建筑物等。由于热成像图像的特性，传统的计算机视觉算法很难在这些图像中识别出物体，而基于深度学习的目标检测方法在此类任务中显示出了优越的性能。多种环境条件：数据集包含了不同光照、天气等环境条件下的热成像图像。三个类别行人、车辆和建筑物。高分辨率图像：图像的分辨率较高，适合进行细粒度目标检测。真实世界场景。
MATLAB算法实战应用案例精讲-【图像处理】小目标检测（补充篇）(附python代码实现)
qq_36130719的博客
01-16 3255
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场景
红外图像的目标检测
04-16
红外图像的目标检测与识别技术研究，讲述了一些相关的研究以及跟踪检测方法
『红外图像 数据增强』DDE（Digital Detail Enhancement）算法
weixin_45824067的博客
07-18 8383
我是为了做红外目标检测才做的DDE数据增强个人感觉DDE算法将背景和前景区分度加大,同时边缘特征、性状特征很清楚而直方图均衡化有点曝光太强的感觉,边缘特征、性状特征不太清楚自适应直方图均衡化后，边缘特征、性状特征也比较清楚DDE算法处理后的比自适应直方图肉眼上看上去更舒服，但是还是需要结合模型训练才能看出DDE算法是否比自适应直方图要好！
红外小目标检测综述
最新发布
weixin_47696437的博客
03-29 701
定义：红外小目标检测是从红外图像中识别微小（通常像素占比低）、信噪比低的目标，依赖物体热辐射成像，具有全天候工作能力。特点：目标尺寸小、缺乏纹理/形状信息，易受噪声和复杂背景干扰。应用场景军事：目标侦察、战场态势感知、精确制导。安防：夜间监控、入侵检测、无人机巡逻。航空航天：卫星遥感、空间目标监测、自然灾害预警。
红外探测及目标识别
联远智维官方账号
10-18 4751
红外探测系统具有隐蔽性强、探测距离远以及抗干扰能力强等优点，广泛应用于舰船、航空器等目标的识别与跟踪。红外系统主要包含目标探测以及图像识别两部分：其中目标探测是红外系统的硬件基础；图像识别算法能够实现图像内容的判别和目标定位，是后续跟踪任务的前提，具体内容如下所示~
目标识别 红外.zip
05-17
这是红外光图像小目标识别源代码。下载解压后直接运行。
红外目标检测
11-30
序列图像弱小动目标检测的研究 非常好 红外序列图像弱小动目标检测的研究
目标检测YOLO实战应用案例100讲-基于多光谱图像融合的光伏组件故障 检测
qq_36130719的博客
11-25 1124
伴随着蒸汽机的广泛使用，人类开始了第一次工业革命，进入了蒸汽时代， 随后经过新一轮的两次工业革命，通过电力的发展和各种新兴科学技术的卓越进 步，人类社会依次进入电气时代和信息时代。而能源作为工业制造过程的必要条 件，是人类社会长期发展的重要保障[ 1]。由于具有不可再生的局限性，传统化石 能源正面临着逐渐枯竭的问题，且其在能量转化的过程中对环境生态造成了巨大 的危害，如：雾霾、酸雨、温室效应等[ 2]。
MATLAB算法实战应用案例精讲-【深度学习】多尺度特征融合-目标检测（论文篇五）
qq_36130719的博客
04-15 2118
检测的图像，首先设置输入网络大小，然后将滑动窗口按照一定步长对图像进行滑动，微小的卷积神经网络，其使用卷积核在卷积神经网络中对输入图像信息进行卷积处理，传统行人检测技术进行分析，然后介绍基于深度学习行人检测算法，为后续行人检测。出，能够很好的描述行人的边缘，因此广泛应用于行人检测。的静态图像，往往采用梯度直方图方法获取行人图像的局部特征信息，然后计算所有。个单元格的特征将以不同的结果出现在最后的向量中，所有的小单元特征信息将构成。目的成果，使得行人检测检测技术成为基于深度学习目标检测领域的研究热点。
YOLO 数据增强 多尺度训练（将原来较大数据拆分为多个小的数据进行训练），实测效果较为显著
iamjingong的博客
05-11 2113
import os import cv2 from tqdm import tqdm def get_imgs_pos(img_w, img_h, cut_w, cut_h, w_stride, h_stride): imgs_pos = [] for beg_w in range(0, img_w, w_stride): for beg_h in range(0, img_h, h_stride): x0, y0 = beg_w, beg_h .
红外光谱成像目标识别技术综述
02-12
摘 要：概述了目标识别技术研究现状，分析了光谱识别技术的特点。通过对目标燃料和表面涂覆材料的光谱测量揭示其物质成分，从而对目 标进行有效识别。红外光谱成像为精确目标识别提供了一种新的复合识别手段。
一种基于图像融合的红外图像增强新方法 (2005年)
05-16
提出了一种红外图像增强的新方法，该方法对红外图像处理过程中不同类型的噪声采用不同的方法滤波，有效地滤除了高斯噪声和脉冲噪声，同时增强了目标和背景中的边缘成分。该方法以增加检测系统硬件复杂程度为代价换取对红外图像特定信息的增强，可用于地面背景下红外图像目标检测或匹配跟踪的预处理。
【目标检测】红外弱小目标检测方法的目的、意义及应用（含matlab案例）
G_redsky的博客
02-23 5311
视频序列读取: 从视频文件中逐帧读取红外图像数据。背景建模与抑制: 建立背景模型，并在每一帧中抑制静态背景。运动检测: 使用背景抑制后的图像序列来检测运动目标。目标跟踪与验证: 对检测到的目标进行跟踪，并通过多帧数据验证目标的稳定性和一致性。性能评估: 对检测到的目标进行分析，计算指标如准确率、召回率和F1得分。
红外图像增强(2)Brightness-Based Convolutional Neural Network for Thermal Image Enhancement (TIECNN)论文阅读
z243624的博客
09-17 4884
** 红外图像增强(2)Brightness-Based Convolutional Neural Network for Thermal Image Enhancement (TIECNN)论文阅读** 摘要 本文提出了一种结合亮度域和残差学习技术的卷积神经网络热图像增强方法，提高了增强性能和收敛速度。通常，训练域使用与目标图像相同的域；然而，我们评估了几个域，以确定最适合网络的域。在分析中，我们首先比较了分别由基于颜色和对齐红外图像的相应区域训练的网络的性能，包括热光谱、远光谱和近光谱。然后，评估四个基
红外小目标检测：基于深度学习
异构算力老群群（在读985计算机博士生）的技术博客
09-05 4255
红外小目标检测技术作为现代军事、安防、交通和工业等领域的重要工具，其发展不仅依赖于技术的不断进步，还需要结合实际应用场景的需求进行不断优化和创新。未来，随着深度学习、多传感器融合等技术的深入应用，红外小目标检测技术将迎来更加广阔的发展前景。
【YOLO5 项目实战】（4）红外目标检测
youcans的博客
08-21 3575
本文介绍通过 YOLOv5 对红外图像进行目标检测。详细介绍（1）环境配置；（2）CTIR红外数据集的下载处理；（3）使用YOLOv5 训练红外目标检测模型；（4）使用训练的模型检测红外图像。
『数据增强』yolov5 数据增强 与 红外数据增强
weixin_45824067的博客
07-16 2186
从不同的途径获取的图像，通过进行适当的增强处理，可以将原本模糊不清甚至根本无法分辨的原始图像处理成清晰的富含大量有用信息的可使用图像，有效地去除图像中的噪声、增强图像中的边缘或其他感兴趣的区域，从而更加容易对图像中感兴趣的目标进行检测和测量。图(a)中人的面部（位置1），电路板（位置3）这些高温物体的局部温差不仅都得到了体现，而且可在位置2上发现热像自身辐射在玻璃上反射所成的镜像，图(c)中高炉的炉壁以及中间的燃料通过DDE增强后也清晰可见。高频信息在图像中的变化较为剧烈，有许多细微的变化。
红外弱小目标检测
qq_38870183的博客
02-18 5066
基于图像分割的红外弱小目标检测 基于经典语义分割算法设计的弱小目标训练检测框架，支持Unet，FCN等模型，易二次拓展开发。 如果感觉对你有帮助的话，欢迎Start 如何开始 git clone https://github.com/Linaom1214/Infrared-detect-by-segmentation.git && cd Infrared-detect-by-segmentation.git 训练 python main.py train 测试 python main
Infrared object detection
07-28
红外目标检测是基于红外图像的一种技术，用于识别和检测红外图像中的目标物体。然而，红外目标检测面临一些挑战。首先，目前对于红外图像的检测方法主要局限在单分类检测，对于包含多个类别和多个尺度的红外街道图像的研究还比较有限。其次，红外图像的分辨率和对比度往往较低，这也限制了对应目标检测算法的发展。此外，高质量的红外图像数据相对较少，这也给红外目标检测的研究和应用带来了一定的困难。为了克服这些挑战，一些研究者提出了基于深度学习和实例级数据增强的多尺度目标检测方法，以提高红外图像中目标的检测性能和准确度。例如，论文《Multiscale Object Detection in Infrared Streetscape Images Based on Deep Learning and Instance Level Data Augmentation》提出了一种基于深度学习和实例级数据增强的多尺度目标检测方法，用于红外街道图像中的目标识别。\[1\]\[2\]\[3\] #### 引用[.reference_title] - *1* *2* *3* [红外街道图像的目标检测：多尺度 对象级数据增强](https://blog.youkuaiyun.com/weixin_43931548/article/details/109087586)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insert_down28v1,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]
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
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