诸葛大庆-优快云博客

原创笔记本突然找不到蓝牙耳机怎么办

1 打开设备管理器，看看通用串行总线控制器是否含有位置usb接口，大概率会有。笔者遇到的情况是静电导致的。可能由于插拔u盘等设备时产生了一些静电。4 进入设备管理器右键单击未知usb,选择禁用，然后重新启用。3 关机后长按电源键10s，放静电。2 关机电脑，拔掉所有外设。

2025-03-10 16:31:29 223

原创 VMamba: Visual State Space Model

视觉表征学习仍然是计算机视觉的一个基础研究领域，在深度学习时代取得了显著进展。为了表示视觉数据中的复杂模式，已经提出了两类主要的骨干网络，即卷积神经网络（CNN）[49,27,29,53,37]和视觉变换器（ViTs）[13,36,57,66]，并在各种视觉任务中得到了广泛的应用。与CNN相比，ViTs通常在大规模数据上表现出更优的学习能力，因为它们整合了自我注意机制[58,13]。然而，自我注意力相对于令牌数量的二次复杂性在涉及大空间分辨率的下游任务中带来了巨大的计算开销。

2025-01-08 10:10:07 1102

原创 Efficient One-stage Video Object Detection byExploiting Temporal Consistency

近年来，与传统的两级检测器相比，一级检测器在图像数据处理上取得了具有竞争力的精度和更快的速度。然而，在视频目标检测领域，大多数现有的视频目标检测方法仍然是基于两级检测器。此外，直接将现有的VOD方法应用于单级检测器会带来难以承受的计算成本。在本文中，我们首先分析了使用一级检测器进行视频点播的计算瓶颈。在此基础上，我们提出了一个简单而有效的框架来解决计算瓶颈，并利用视频帧的时间一致性实现高效的单阶段视频目标检测。具体来说，我们的方法包括一个位置优先网络来过滤背景区域。

2024-11-16 18:44:00 1170

原创【论文阅读】Self and Cross Motion Extracted in Drone Video to Improve Object Detection

YOLOv7是一种流行的图像对象检测器，以其速度和精度之间的平衡而闻名。与以前的YOLO体系结构不同，YOLOv7具有改进的骨干结构，具有增强的跳过连接，允许从输入图像中提取各种特征。为了有效地提取和压缩特征，YOLOv7使用最大池化和步长为2x2的特征。作为一种成熟的图像目标检测器，YOLOv7已经达到了性能瓶颈。因此，我们选择它作为我们研究的基线，以提高现有单帧图像检测算法在视频目标检测挑战中的性能。考虑到无人机图像的独特性，我们调整了与常见畸变相关的参数。

2024-10-12 22:21:32 1080 2

原创 DS-YOLOv7: Dense Small Object DetectionAlgorithm for UAV

近年来，无人机发展迅速，在许多领域得到了广泛的应用，例如利用无人机对地面物体进行探测。由于无人机具有体积小、便携性高、隐蔽性强等优点，在现代军民侦察工作中非常受欢迎。随着硬件的不断进步，人们对目标检测技术的研究进入了一个新的时代。2012年以前，传统的检测算法，如VJ检测器[1]、[2]、HOG特征[3]、DPM算法[4]等难以满足高精度、实时性的处理要求。基于深度学习的目标检测技术正逐步应用于无人机领域。如果能实现高精度实时检测功能，如实时检测地面人员位置、车辆类型等信息。

2024-09-07 18:55:07 920

原创【论文阅读笔记】DTSSNet: Dynamic Training Sample SelectionNetwork for UAV Object Detection

以前的研究人员已经进行了大量的无人机目标检测实验。例如，Ma等人[8]设计了一种RRPN网络，生成倾斜和定向角度区域建议来处理无人机图像中的旋转。r3 -Net[9]利用R- rpn生成可旋转区域建议，利用R- dn从地形复杂的城市场景中检测和定位车辆。Lin等[10]提出了用于大尺度遥感图像的CRPN-SFNet。在一些区域，无人机目标是稀疏和不均匀分布的，而在另一些区域，它们是高度聚类的。为了防止高分辨率图像分布不均匀，Gao等[11]将高分辨率图像分割成片，直接进行检测。

2024-09-06 22:41:56 874 1

原创 FFCA-YOLO for Small Object Detectionin Remote Sensing Images

由于特征表示不足、背景混淆等问题，使得遥感小目标检测任务十分艰巨。特别是，当算法将部署到平台上进行实时处理时，这需要在有限的计算资源下对精度和速度进行广泛的优化。为了解决这些问题，本文提出了一种高效的特征增强、融合和上下文感知YOLO (FFCA-YOLO)检测器。FFCA-YOLO包括三个创新的轻量级即插即用模块:特征增强模块(FEM)、特征融合模块(FFM)和空间上下文感知模块(SCAM)。这三个模块分别提高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。

2024-06-18 21:06:19 3894 5

原创 An Improved YOLOv5 Method for Small Object Detection in UAV Capture Scenes

针对YOLOv5无人机高空拍摄场景中存在大量小而密集目标和复杂背景噪声干扰的问题，提出了一种改进的YOLOv5无人机拍摄场景目标检测算法。首先提出了一种特征增强块(FEBlock)，通过卷积生成不同感受野特征的自适应权值，将主要权值分配给浅层特征映射，提高小目标特征提取能力。

2024-04-19 15:14:29 1408 1

原创 YOLC: You Only Look Clustersfor Tiny Object Detection in Aerial Images

由于以下因素，从航空图像中检测目标带来了重大挑战:1)航空图像通常具有非常大的尺寸，通常具有数百万甚至数亿像素，而计算资源有限。2)目标尺寸小导致信息不足，无法进行有效检测。3)对象分布不均匀导致计算资源浪费。为了解决这些问题，我们提出了YOLC (You Only Look Clusters)，这是一个基于无锚点对象检测器CenterNet的高效框架。为了克服大规模图像和非均匀目标分布带来的挑战，我们引入了一个局部尺度模块(LSM)，该模块自适应搜索聚类区域并放大以实现精确检测。

2024-04-19 15:09:14 1701 2

原创 YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information

今天的深度学习方法关注的是如何设计最合适的目标函数，使模型的预测结果最接近地面的真实情况。同时，必须设计一个适当的体系结构，以方便获取足够的预测信息。现有方法忽略了一个事实，即输入数据在逐层进行特征提取和空间变换时，会丢失大量的信息。本文将深入研究数据在深度网络中传输时的重要数据丢失问题，即信息瓶颈和可逆函数。我们提出了可编程梯度信息(PGI)的概念，以应对深度网络实现多个目标所需的各种变化。PGI可以为目标任务提供完整的输入信息来计算目标函数，从而获得可靠的梯度信息来更新网络权值。

2024-04-18 16:47:07 1918 1

原创 Improved YOLOX-X based UAV aerial photographyobject detection algorithm

无人机航拍目标检测在灾害救援、生态环境保护、军事侦察等领域具有很高的研究意义。较大的无人机摄影宽度给探测任务带来了背景干扰，而相对较高的无人机成像高度导致航拍图像中大多是小物体。针对无人机航拍图像背景复杂、小目标数量多的特点，提出了一种改进的YOLOX- x无人机航拍目标检测算法YOLOX w。首先采用切片辅助超推理(SAHI)算法对训练集进行预处理，并进行数据增强，提高了模型对小目标的检测性能。然后，在路径聚合网络(PAN)中引入具有丰富空间信息的浅特征映射，并增加检测头来检测小目标;

2023-11-18 22:19:09 277 1

原创【论文阅读笔记】VistrongerDet: Stronger Visual Information for Object Detection in VisDroneImages

现有的方法尤其难以在无人机捕获的视频和图像中准确检测目标。在工作中，我们仔细分析了VisDrone DET 2021数据集的特点，发现检测性能低的主要原因是目标微小、尺度跨度大、分布长尾、相似类混淆。为了减轻由此带来的不利影响，我们提出了一种新的检测器VistrongerDet，它具有更强的视觉信息。我们的框架集成了FPN级，ROI级和头部级增强的新组件。得益于整体的增强，VistrongerDet显著提高了检测性能。VistrongerDet是即插即用的，可用于任何基于fpn的两级检测器。

2023-11-14 15:45:12 822

原创【论文阅读笔记】A modified YOLOv5 for object detection inUAV-captured scenarios

近年来，无人机图像处理中的目标检测逐渐成为一个研究热点。一般的目标检测算法在应用于无人机场景时，性能有明显下降的趋势。这是由于无人机图像从高海拔以高分辨率和大量的小物体拍摄的事实。为了在满足轻量化特性的同时提高无人机目标检测精度，对YOLOv5s模型进行了改进。为了解决小目标检测问题，增加了预测头，以更好地保留小目标的特征信息。同时集成了CBAM注意模块，在密集场景中更好地发现注意区域。为了减轻IOU对小对象的敏感性，在后处理中采用NWD-NMS代替原有的IOU- nms。

2023-11-13 21:37:50 400

原创【论文阅读笔记】Self-Attention Guidance and Multiscale FeatureFusion-Based UAV Image Object Detection

无人机图像目标检测是近年来的研究热点。现有的目标检测方法在一般场景下已经取得了较好的效果，但在无人机图像上存在固有的挑战。无人机图像的检测精度受背景复杂尺度差异大小目标密集等因素的限制。为了解决这些问题，我们提出了一种基于自注意力指导和多尺度特征融合的无人机图像目标检测网络(SGMFNet)。首先，设计了全局-局部特征引导(GLFG)模块。该模块可以有效地将局部信息和全局信息结合起来，使模型专注于目标区域，减少复杂背景的影响。其次，设计了改进的并行采样特征融合(PSFF)模块。

2023-10-31 11:31:01 212 1

原创 A Modified YOLOv8 Detection Network for UAV AerialImage Recognition

无人机多目标探测在民用和军事领域都起着举足轻重的作用。尽管深度学习方法为该任务提供了更有效的解决方案，但从无人机的角度来看，目标尺寸形状变化遮挡和光照条件的变化仍然给该领域的研究带来了很大的挑战。针对上述问题，本文提出了一种性能优良、鲁棒性强的航空图像检测模型。首先，针对航拍图像中小目标容易被误检和漏检的普遍问题，引入Bi-PAN-FPN的思想，对YOLOv8-s的颈部部分进行改进。通过充分考虑和重用多尺度特征，在尽可能保持参数成本的前提下，实现更先进、更完整的特征融合过程。

2023-10-31 08:58:46 476 1

原创【论文阅读笔记】Object Detector For UAV Images Based on Improved YOLOX

无人机图像有着背景复杂存在大量的密集小目标等特点。本文提出了基于YOLOX-S改进的实施检测算法YOLOX-RFS。首先，由于小目标特征较少容易在深度网络中丢失，因此ConvNeXt模块被引入到窄的神经网络中去学习空间细节信息。然后，分析了特征图的感受野对无人机图像目标检测性能的影响，低层次特征图的感受野通过改变网络结构的Stem部分以及采用了一个残差块。

2023-10-22 22:52:04 122 1

原创【论文阅读笔记】Traffic Object Detection in UAVImages Based on Visual Attention and Re-parameterization

无人驾驶飞行器(uav)在交通运输中得到了广泛的应用。无人机图像中车辆等交通物体的检测有助于交通监控、城市交通规划和交通流量估计。然而，在无人机图像中检测物体存在一些不可避免的问题，如物体尺度变化大密集检测场景中物体之间的遮挡复杂背景造成的干扰等。为了减少上述因素的影响，实现实时检测，本研究提出了基于YOLOv5s的RTOD-YOLO。首先，增加小目标检测层，提高模型对小目标的检测性能;其次，引入全局上下文注意模块。

2023-10-17 22:26:12 149 1

zyq199082的博客