GITHUB上最新关于目标检测、小目标、旋转目标的论文/代码合集！

最新推荐文章于 2025-06-08 20:39:23 发布
最新推荐文章于 2025-06-08 20:39:23 发布
阅读量1.3k 收藏 23
点赞数 2
CC 4.0 BY-SA版权
分类专栏： 船只检测 文章标签： 目标检测 深度学习 人工智能 大数据 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_46812066/article/details/128335996
本文汇总了一系列关于旋转目标检测的开源项目及论文资源，包括基于YOLO的不同版本实现、MMDetection扩展项目MMRotate等，并提供了目标检测领域的论文集及代码集合。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

        下文的格式就是：网址+内容介绍，比较个人向，自己想做小目标的旋转目标检测。那让我们开始吧！

https://github.com/iscyy/yoloair

https://github.com/hukaixuan19970627/yolov5_obb

https://github.com/open-mmlab/mmrotate

下面这个是yyds!基本你想到的方法都有了，同时也在持续更新！

https://github.com/hoya012/deep_learning_object_detection

目标检测的论文集，按照时间顺序总结，截止至2020年全部

https://github.com/amusi/awesome-object-detection

目标检测的代码全集，按照时间顺序总结，各种经典的和不经典的都有。但也只是到2019年之前.

GitHub - rafaelpadilla/Object-Detection-Metrics: Most popular metrics used to evaluate object detection algorithms.

用来评价模型的预测结果的！Evaluate!

比如：

https://github.com/facebookresearch/detr

DETR

https://github.com/sgrvinod/a-PyTorch-Tutorial-to-Object-Detection

基础知识讲解，也可以跑通代码。

https://github.com/Paperspace/DataAugmentationForObjectDetection

数据增强的代码（旋转缩放对称）

https://github.com/kuanhungchen/awesome-tiny-object-detection

！！！小目标检测终于来了！！！！！！！！！！！！！但这个是论文集，不是代码集或者包

https://github.com/huggingface/transformers/blob/main/README_zh-hans.md

大名鼎鼎的Transformer，这个包可以调用Deformable DETR

https://github.com/ZhangGongjie/SAM-DETR

https://github.com/fundamentalvision/Deformable-DETR

上面两个DETR的变种都对CUDA和GCC有要求。所以不是很能跑通。

这些是DETR的搜索结果

这些是旋转目标检测的搜索结果

https://github.com/lee-gwang/yolov7_obb

https://github.com/SSTato/YOLOv7_obb

这两个都是yolov7旋转目标检测

基于YOLOv8与LSKNet的遥感图像旋转目标检测新框架 —LSKblock注意力机制在小目标检测中的性能优化与SOTA探索
面向AI前沿技术的深度解析平台，覆盖基础理论、算法优化及产业应用全链路
05-05 818
针对遥感图像中目标尺度差异大、方向任意性强、背景复杂度高等挑战，本文提出一种基于 YOLOv8 与 LSKNet 的新型旋转目标检测框架。通过引入 LSKblock 注意力机制 ，实现对多尺度特征的有效建模与动态感受野调整，显著提升了模型对小目标与旋转目标的识别能力。实验表明，该方法在 DOTA、HRSC2016 等遥感数据集上取得了优于现有主流方法的检测精度，达到新的 SOTA 表现，为高分辨率遥感图像中的复杂目标识别提供了高效且具有推广价值的技术路径。
YOLOv10涨点改进： block优化 | LSKblockAttention助力旋转目标检测，南开大学提出LSKNet：遥感旋转目标检测新SOTA
06-04 552
LSKblockAttention助力旋转目标检测，南开大学提出LSKNet
目标检测前沿论文28篇.rar
05-16
整理打包28篇目标检测方面的论文，主要为one-stage类算法，含小目标检测、红外目标等
【计算机视觉前沿研究 热点 CVPR 2024】顶会中与目标检测相关的论文
A_Student10000的博客
06-25 1万+
CVPR 2024 目标检测 计算机视觉前沿研究 顶会论文分析
2024-2025年最新YOLO小目标检测改进论文
最新发布
BigGod139的博客
06-08 1053
传统 YOLOv8 的 FPN 融合能力有限，难以保留浅层小目标的空间细节。SOD-YOLOv8 借鉴。传统 CIoU 损失在小目标边界框回归时，对中心点距离和宽高比例的惩罚不够直接，易导致定位偏差。：相比 CIoU，PIoU 对小目标边界框的微小偏移更敏感，定位精度提升约 1.1%~2.6%。：通过融合浅层高分辨率特征与深层语义特征，小目标定位精度提升显著。：动态调整不同通道和空间位置的特征权重，增强小目标特征的表达能力。注意力机制，可以优先处理对小目标重要的特征。在颈部的 C2f 模块中嵌入。
深度学习用于目标检测的论文及代码集锦
hestendelin的专栏
11-12 483
[1] PVANET: Deep but Lightweight Neural Networks for Real-time Object DetectionKye-Hy...
目标检测最强算法YOLOv4 源码（source：GitHub）
05-15
如果Github下载较慢的话，可以使用这个文件 ，原github地址： ghttps://github.com/AlexeyAB/darknet
目标检测相关论文和代码资源汇总
风信子的猫Redamancy的快乐星球
07-30 5494
目标检测相关论文和代码资源汇总 文章目录目标检测相关论文和代码资源汇总2014～2019模型汇总（红色为推荐必读篇）：Performance table 性能表2014论文及代码2015论文及代码2016论文及代码2017论文及代码2018论文及代码2019论文及代码2020论文及代码Dataset Papers 常用的目标检测数据集 2014～2019模型汇总（红色为推荐必读篇）： Performance table 性能表 FPS(Speed) index is related to the hard
小目标检测高效解决方案汇总，附19篇原论文＆开源代码
学姐带你玩AI的博客
09-18 1万+
Feature pyramids(特征金字塔)是检测不同尺度目标的识别系统中的基本组件。但是近年的基于深度学习的目标检测器避免了使用金字塔表示，部分原因是其计算和内存密集。本文利用深度卷积网络固有的多尺度金字塔层次结构，以边缘额外成本构建特征金字塔。作者开发了一个顶端下采样带侧向连接的架构来构建所有尺度的高级语义特征图。该架构称为特征金字塔网络(FPN)，作为通用特征提取器在多个应用中显示显著改进。
CVPR2023 | 70+目标检测论文及代码整理
热门推荐
04-28 1万+
CVPR2023目标检测相关70+论文及代码整理
【单目3D目标检测】MonoCon论文精读与代码解析
weixin_43799388的博客
12-27 2480
MonoCon：在MonoDLE的基础上增加辅助学习模块，效果非常work
代码复现：遥感旋转目标检测（可训练自己的数据集）
hesongzefairy的博客
11-13 4700
follow了上交博士大佬yangxue的两个方法，这篇仅记录复现过程中碰到的问题，具体论文的介绍就不写了，大佬自己的知乎已经写得非常详细了。 SCRDet：https://zhuanlan.zhihu.com/p/107400817 CSL：https://zhuanlan.zhihu.com/p/111493759 复现的第一个方法：https://github.com/DetectionTeamUCAS/R2CNN-Plus-Plus_Tensorflow 在Ubuntu16.04下 1、
目标检测（降低误检测率及小目标检测系列笔记）[通俗易懂]
Yophan的博客
07-23 1806
目标检测（降低误检测率及小目标检测系列笔记）[通俗易懂]
3D目标检测入门：PointPillars算法原理与实现
AI天才研究院
04-14 2130
3D目标检测是自动驾驶、机器人导航和增强现实等领域的核心技术。与2D目标检测相比，3D检测能够提供物体的空间位置、尺寸和朝向等更丰富的信息。本文旨在深入浅出地介绍PointPillars这一高效的3D目标检测算法，帮助读者理解其原理并掌握实现方法。本文首先介绍3D目标检测的背景和PointPillars的概况，然后深入解析算法原理和架构。接着通过数学建模和代码实现展示具体细节，最后讨论应用场景和未来发展方向。点云(Point Cloud)：一组三维空间中的点，通常由激光雷达(LiDAR)采集。
GitHub 5.9K，目标检测、跟踪、关键点全覆盖的年度开源项目来了！
PaddlePaddle
12-29 606
目标检测技术作为计算机视觉的基础核心，支撑了包括人脸识别、目标跟踪、关键点检测、图像搜索等等70%以上视觉任务。虽然业界YOLO、Anchor Free、Transformer等系列目标检...
盘点热门的目标检测开源方案(附论文+代码下载）
3D视觉工坊
04-27 1444
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达在2020年中，目标检测领域出现了许多优秀的工作，今天我们来聊一聊在当前热门的五大目标检测开源方案。1、五大改进，二十多项技巧实验，堪...
遥感小目标检测论文梳理
丢人摸鱼仔
01-19 5085
旋转检测器 ReDet（2021CVPR) [2103.07733] ReDet: A Rotation-equivariant Detector for Aerial Object Detection (arxiv.org) Rethinking Rotated Object Detection with Gaussian Wasserstein Distance Loss（2021ICML） [2101.11952] Rethinking Rotated Object Detection with Ga
《FFCA-YOLO》论文学习，面向遥感图像的小目标检测最新方法
weixin_53721065的博客
10-24 2498
FFCA-YOLO显著增强了网络的局部感知能力、多尺度特征融合能力和跨通道、跨空间的全局关联能力，同时尽量避免增加复杂度。作者利用和两个公共遥感小目标检测数据集和一个自建数据集验证了FFCA-YOLO的有效性和性能的领先。
遥感光SAR融合目标检测项目的代码的实现
02-22
<think>好的，用户想了解遥感光SAR融合目标检测项目的代码实现。我需要先理清楚这个主题的关键点。首先，遥感中的光学和SAR图像融合，目标检测，这两部分如何结合。可能涉及的数据预处理、模型架构、融合策略、损失函数和后处理步骤。 用户可能有一定的背景知识，可能是研究人员或者学生，想要具体实现细节。他们可能需要知道常用的方法，比如早期融合、中期融合、晚期融合，或者基于深度学习的模型，比如Two-Stream网络，或者注意力机制的应用。 还要考虑数据的问题，光学和SAR的数据配准是否困难，是否需要用到特定的数据集，比如MVD或者SAR-Ship-Dataset。预处理步骤可能包括归一化、配准、数据增强等。 模型方面，可能会提到FusionNet、FusionDN，或者结合YOLO、Faster R-CNN等检测框架的改进版本。需要解释融合的策略，比如特征级融合，如何将不同模态的特征结合起来，比如concat，或者注意力模块。 另外，损失函数可能需要考虑多任务学习，或者设计特定的损失来优化融合效果。后处理可能包括NMS或者一些过滤方法，特别是在SAR图像中目标的特点，比如高噪声环境下的处理。 用户可能还关心代码实现的工具，比如PyTorch或TensorFlow，以及数据加载、训练流程的具体细节。是否需要使用预训练模型，如何评估模型效果，比如mAP等指标。 需要确保回答结构清晰，分点说明，让用户能够一步步理解实现的流程和关键点。可能还要提醒一些常见挑战，比如模态差异、数据量不足、计算资源限制，以及可能的解决方案，如数据增强、迁移学习等。 最后，给出一个示例代码框架，帮助用户更直观地理解，比如构建双流网络，特征融合部分，检测头等。同时推荐相关论文和工具库，方便用户进一步研究。</think>遥感光学与SAR融合目标检测项目的代码实现通常结合多模态数据特性，旨在利用光学图像的丰富光谱信息和SAR的全天候成像优势。以下为关键技术点及实现思路： --- ### **1. 核心实现步骤** #### **(1) 数据预处理** - **配准对齐**：使用仿射变换或深度学习配准网络（如VoxelMorph）对齐光学与SAR图像。 - **归一化处理**：对光学图像进行Min-Max归一化，SAR图像需做dB变换和斑点噪声抑制（如Lee滤波）。 - **数据增强**：旋转、翻转、混合模态增强（如CutMix融合两种模态的局部区域）。 #### **(2) 多模态融合策略** - **早期融合**：直接拼接原始数据（通道维度）输入网络，需解决模态差异问题。 - **中期融合**（常用）： - **双分支特征提取**：使用ResNet/VGG提取光学特征，SAR分支可设计浅层网络（因SAR纹理简单）。 - **注意力融合模块**：通过交叉模态注意力（如CBAM）动态加权特征。 ```python # 示例：双分支特征提取 + 注意力融合 class FusionNet(nn.Module): def __init__(self): self.optical_backbone = ResNet50() self.sar_backbone = ResNet18() self.fusion = CrossModalityAttention(in_channels=512) def forward(self, optical_img, sar_img): opt_feat = self.optical_backbone(optical_img) sar_feat = self.sar_backbone(sar_img) fused_feat = self.fusion(opt_feat, sar_feat) return fused_feat ``` - **晚期融合**：分别检测后融合结果，需解决目标关联问题。 #### **(3) 目标检测模型** - **Two-Stage方法**：Faster R-CNN + 融合分支，适合小目标（如车辆、船只）。 - **One-Stage方法**：YOLOv8改进版，加入自适应融合模块（如SPD-Conv处理SAR多尺度目标）。 - **Transformer方法**：Swin Transformer + 跨模态交叉注意力（Cross-Attention）。 #### **(4) 损失函数设计** - **多任务损失**：检测损失（如Focal Loss） + 模态一致性损失（如MMD距离）。 - **对抗训练**：通过GAN约束特征空间对齐（SAR生成伪光学图像）。 --- ### **2. 关键代码模块示例** #### **(1) 双模态数据加载器** ```python class DualModalDataset(Dataset): def __init__(self, optical_dir, sar_dir): self.optical_images = load_image_paths(optical_dir) self.sar_images = load_image_paths(sar_dir) self.transforms = Compose([RandomHorizontalFlip(), Normalize()]) def __getitem__(self, idx): opt_img = read_tiff(self.optical_images[idx]) # 光学图像读取 sar_img = read_sar(self.sar_images[idx]) # SAR图像读取 opt_img, sar_img = align_images(opt_img, sar_img) # 配准 return self.transforms(opt_img), self.transforms(sar_img), annotations ``` #### **(2) 跨模态注意力融合模块** ```python class CrossModalityAttention(nn.Module): def __init__(self, in_channels): super().__init__() self.query = nn.Conv2d(in_channels, in_channels//8, 1) self.key = nn.Conv2d(in_channels, in_channels//8, 1) self.value = nn.Conv2d(in_channels, in_channels, 1) def forward(self, optical_feat, sar_feat): Q = self.query(optical_feat) K = self.key(sar_feat) V = self.value(sar_feat) attn = torch.softmax((Q @ K.transpose(-2, -1)) / np.sqrt(Q.size(1)), dim=-1) return optical_feat + attn @ V # 光学特征增强 ``` --- ### **3. 优化技巧与挑战** - **模态不平衡**：SAR数据量少时，使用梯度反转层（Domain Adaptation）。 - **噪声抑制**：在SAR分支加入非局部滤波层。 - **部署优化**：TensorRT量化融合模型，提升推理速度。 --- ### **4. 常用工具与数据集** - **框架**：PyTorch + MMDetection / Detectron2 - **数据集**： - **MVD4SAR**：包含光学/SAR配对数据 - **SAR-Ship-Dataset**：船舶检测专用 - **SpaceNet**：城市目标多模态数据 - **评估指标**：mAP、F1-Score、虚警率（关键于SAR高噪声场景） --- ### **5. 典型论文参考** - **方法**：FusionDN（CVPR2023）、CMDet（TGRS2022） - **代码库**：[GitHub - Optical-SAR-Fusion](https://github.com/awesome-sar-fusion) 通过合理设计融合策略与噪声抑制模块，可显著提升复杂场景下的检测鲁棒性。实际开发中需根据硬件条件平衡模型复杂度与精度。
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