Gorgeous_wxd

无人机目标检测

训练一个叫做DREN的网络，产生,将和原图一起做检测，然后进行拼图NMS，得到最终的输出。针对问题，采用IoU平衡采用方法以及回归分支使用Balanced L1损失。一般现有的切图方法都是两阶段的，第二个阶段几乎一样，对第一个阶段得到的粗粒度信息进行更细致的检测，然后与原图合并结果。第一个阶段，各有不同，但主要目的是产生一个粗粒度的检测结果，用第二个阶段进行精修检测。...

论文地址：https://arxiv.org/abs/1805.09512论文代码：https://github.com/CosmiQ/yolt主要针对遥感图像分辨率高，目标尺寸小，目标易聚集，导致检测精度差的问题，改进了YOLOv2，采用切图+多模型集成的方法，取得了不错的效果在高分辨率图像上。这篇文章是做卫星图的目标检测，在YOLO v2算法基础上做了改进得到YOLT（You Only Look Twice）算法，因为卫星图的目标检测和常见的目标检测场景最大的区别在于卫星图像本身尺寸很大（比如1600

ICCV相关ICCVW2021VistrongerDet: Stronger Visual Information for Object Detection in VisDrone ImagesTPH-YOLOv5: Improved YOLOv5 Based on Transformer Prediction Head for Object Detection on Drone-Captured ScenariosViT-YOLO:Transformer-Based YOLO for Objec

主要贡献提出了一个基于裁剪的双阶段模型，主要有两部分组成。第一部分是通过高斯混合模型聚类产生候选框第二部分提出IBS算法用来解决裁剪导致的阶段问题整个模型框架IBS算法流程高斯混合模型产生候选区域注意 候选款的数量有限制...

文章链接Patch-level Augmentation for Object Detection in Aerial ImagesIDEA首先用正常的切图方法训练自己的检测模型然后，考虑到类别不平衡和几何形状信息，我们剪切数据集中的所有对象实例并将它们粘贴到现有的随机选择的图像中然后使用外部数据集来降低误报率，并应用实例遮罩来有效解决数据集之间的异质性将增强后的图片，在正常切图训练的模型中推理，然后生成含有新的切图包含错误的分类物体。最后使用增强后的图片和正常切图的图片进行重新训练P

The descriptions of the submitted algorithms in the VisDrone-DET2019 ChallengeObject detection results on the VisDrone-DET2019testingsetThe AP scores on the VisDrone-DET2019testingset of each object category.

Object detection results on the VisDrone-DET2018testingseThe tracking speed (in FPS), GPUs for training, backbone networkThe APIoU=0.50:0.05:0.95scores on the VisDrone2018testingset of eachobject category

论文Detection, Tracking, and Counting Meets Drones in Crowds: A Benchmark代码STTNet想法构建了一个新的大规模的无人机数据集基准。提出了一个新的baseline-STNNet(时空邻域感知网络)，来解决密集人群场景下的检测，跟踪和计数。STNNet主要有两部分组成，Localization subnet和Association subnet根据语义上下文，设计了一个新的loss函数....