Movatterモバイル変換

推荐付费专栏 VIP文章

Francek Chen

【深度学习计算机视觉】05：多尺度目标检测本文讲解深度学习计算机视觉中的多尺度目标检测。多尺度下生成不同尺寸锚框检测目标，依特征图形状定中心，用感受野信息预测，多层次学习实现多尺度检测。

阅读 6.9k

109赞

liuyang-neu

目标检测 RT-DETR（2023）详细解读在使用了这个技巧后，显然训练过程中，类别的标签不再是此前的0和1离散值，而是0~1的连续值。关于 Query Selection（查询向量选择）,大家应该并不陌生，这个方法可谓在DETR领域大杀四方，如DAB-DETR对查询向量进行重构理解，将其解释为Anchor，DN-DETR通过查询降噪来应对匈牙利匹配的二义性所导致的训练时间长的问题，DINO提出从Encoder中选择Top-k特征进行学习等一系列方法，这都无疑向我们证明，查询向量很重要，选择好的Query能够让我们事半功倍。在RT-DETR中，

阅读 3.9k

32赞

机器白学

【从零开始系列】Qwen2.5-VL：通义千问最新发布的多模态大模型！——环境配置 + 多功能使用实验（图片识别理解、目标检测、文字OCR、文档解析、视频理解） Qwen-VL多模态大模型的安装使用，附大量实验图片

阅读 1.9w

63赞

DuHz

汽车雷达在多径存在下的幽灵目标检测——论文阅读本文研究了汽车雷达系统中由多径反射引起的幽灵目标检测问题。通过共置MIMO雷达技术，分析了直接路径和一阶多径反射的信号模型，将幽灵目标检测视为复合假设检验问题。研究采用广义似然比检验(GLR)方法构建检测器，并提出了基于稀疏增强压缩感知和Levenberg-Marquardt优化的角度参数估计技术。该工作为解决复杂驾驶场景中多径干扰导致的虚假目标检测提供了理论框架和实用算法，有助于提高汽车雷达系统的可靠性和安全性。

阅读 943

38赞

国科安芯

ASP3605电源芯片关键指标测试说明针对电源芯片，目前中低端电源芯片已实现国产化，大电流、低纹波、配置复杂的电源芯片对于设计能力、工艺经验要求很高，电源芯片国产化已进入深水区，高端电源芯片关键指标和国外电源芯片还有一定差异，这一部分正是电源芯片设计的核心部分，下面分析一颗3605系列芯片的关键性能指标。3605是一款高效单片同步降压调节器，采用锁相控制导通时间、恒定频率、电流模式架构的芯片，下面主要关注纹波、短路保护两大指标。测试环境连接关系参见下图：测试环境示意图。

阅读 838

18赞

Natsuagin

【目标检测】用YOLOv8-Segment训练语义分割数据集（保姆级教学）本文章帮助大家快速学习如何使用 YOLOv8 训练语义分割数据集。按照教程中的步骤逐步操作即可顺利完成。我使用的开发环境是 PyCharm 2024.1，教程还涵盖了如何加载和配置 Conda 环境，适合小白快速上手。

阅读 1.6w

63赞

一键难忘

猪在日常饲养环境行为数据集（3000 张图片已划分、已标注）| 适用于目标检测任务本猪在日常饲养环境行为数据集（3000 张图片已划分、已标注），在数据规模、类别覆盖与标注精度方面均具有较高的实用性。它不仅为智能养殖系统的研究与应用提供了坚实的数据基础，也为学术研究者探索农业人工智能提供了重要资源。

阅读 1.1k

13赞

Arika_zhang

YOLO旋转框目标检测（OBB）训练自己的数据集（保姆级教程：标注 + 训练）本文介绍了使用YOLO进行旋转框目标检测(OBB)的完整流程，包括数据标注、数据集划分和模型训练。文章推荐使用labelImg2工具进行OBB标注，并提供了解决闪退问题的方法。标注完成后，可通过代码自动划分训练集、验证集和测试集。整个过程涵盖了从数据准备到模型训练的关键步骤，为旋转框目标检测任务提供了实用指导。

阅读 1.4k

13赞

神秘泣男子

开放词汇航拍目标检测：OVA-DETR的高效应用 OVA-DETR是一种用于航空目标检测的高效率开放词汇检测器，它利用图像-文本对齐和融合技术。具体来说，为了打破传统检测器中预定义类别的限制，将类别语义整合到检测器中，并构建了一个区域-文本对比损失，以对齐图像和文本特征。进一步引入了一种双向视觉-语言融合方法，包括双注意力融合编码器和多级文本引导融合解码器，它们共同构成了一个文本引导的编码器-解码器结构。双注意力融合编码器旨在增强前景特征提取，而多级文本引导融合解码器旨在提取与类别相关的图像特征，并专注于低级特征以提高小目标检测性能。

阅读 1.8k

124赞

网友阿贵

PHP在线聊天系统：简洁优雅的私密聊天解决方案【150字摘要】这款基于PHP开发的轻量级在线聊天系统支持生活动态分享和私密聊天功能，采用简洁界面设计和响应式布局。系统包含朋友圈式动态发布和多人聊天室功能，使用原生PHP+Ajax轮询实现实时交互，支持文件或MySQL存储。提供完整项目结构，适合个人社交或小团体沟通，也可作为PHP学习案例。当前版本存在音乐播放等小问题，开发者可参与改进。项目强调隐私保护，支持二次开发，并配套免费代码加密服务，便于商业化应用。

阅读 64

2赞

xcLeigh

毫米波雷达目标检测：如何解决“鬼影”问题？毫米波雷达目标检测：如何解决“鬼影”问题？，人工智能，计算机视觉，大模型，AI，本文围绕毫米波雷达目标检测中的“鬼影”问题展开，先介绍毫米波雷达原理、组成及应用，再阐述“鬼影”定义、现象、产生原因及影响。接着从信号处理、算法优化、硬件改进、多传感器融合等方面给出解决方法，还列举汽车自动驾驶和工业机器人避障的实际案例，最后展望未来发展趋势，为解决“鬼影”问题提供了多维度的思路与方案。

阅读 21.8w

114赞

Francek Chen

【深度学习计算机视觉】03：目标检测和边界框本文讲解深度学习计算机视觉中的目标检测和边界框。目标检测需定位多目标，本文介绍边界框概念，给出两种表示法转换函数，并在示例图像上绘制边界框。

阅读 5.8k

77赞

泡泡茶壶_ovo

Grounded-SAM（Zero-Shot图像目标检测与分割）：手把手教环境配置及各个模块的基本使用教程然后导入到Grounded-Segment-Anything-main目录下，在/GroundingDINO/groundingdino/util目录下找到get_tokenlizer.py文件，修改以下三处地方，text_encoder_type1换成我们本地存放 bert-base-uncased文件的路径。Grounded-SAM的作用是根据用户给定的提示（如点、框、文字提示等），在输入图像上生成高质量的二值分割掩码。关于其他项目的具体详情请看Grounded-SAM项目的。

阅读 1.5k

35赞

彭祥.

大疆无人机使用eport连接Jetson主板实现目标检测本文详细介绍了在Jetson边缘计算主板上配置无人机导线追踪系统环境的过程。主要内容包括：更新软件库、安装Opus音频编解码器、FFmpeg多媒体框架、配置OpenCV/CUDA/cudNN推理环境，以及安装USB通信驱动。重点阐述了如何设置系统开机自启服务，包括djixunxian.service和jetsongadget.service的部署与启动，并提供了项目编译和常见错误解决方案。当出现USB设备无法识别时，可通过安装CH34驱动解决。最后展示了系统成功运行时的推理效果截图，验证了环境配置的正确性。

阅读 1.0k

16赞

弗兰随风小欢

一文详解YOLOv8多模态目标检测（可见光+红外图像，基于Ultralytics官方代码实现），轻松入门多模态检测领域！一文详解YOLOv8多模态目标检测（可见光+红外图像，基于Ultralytics官方代码实现），轻松入门多模态检测领域！

阅读 1.3w

77赞

berling00

【论文阅读 | IF 2025 | IF-USOD：用于水下显著目标检测的多模态信息融合交互式特征增强架构】水下显著目标检测（USOD）因其在各种水下视觉任务中的优越性能而受到越来越多的关注。尽管兴趣日益增长，但USOD的研究仍处于起步阶段，现有方法通常难以捕捉显著目标的远程上下文特征。此外，这些方法经常忽略多模态信息的互补性。多模态信息融合可以使先前难以辨别的目标变得更容易检测，因为从不同源图像中捕获互补特征能够更准确地描述目标。在这项工作中，我们探索了一种创新方法IF-USOD，该方法整合RGB和深度信息，并结合交互式特征增强，以推进水下显著目标的检测。我们的方法首先利用。

阅读 940

19赞

罐装知识

强化学习做目标检测（通俗原理+结合案例+代码分析）本文结合工业零件检测案例，详细介绍了强化学习在目标检测中的应用。

阅读 1.5k

19赞

Coding茶水间

通过matlab训练和验证深度学习的目标检测本文介绍了使用MATLAB实现RCNN目标检测的完整流程。首先通过Image Labeler工具标注交通标志数据集（包含stop和slow两类），然后基于AlexNet预训练网络构建RCNN模型，配置训练参数进行模型训练。训练完成后对测试图片进行验证，结果显示模型能准确检测目标。虽然RCNN计算效率较低，但作为目标检测的开山之作，其核心思想为后续YOLO、Faster RCNN等算法奠定了基础。实验完整展示了从数据标注到模型训练验证的全过程，适合深度学习入门学习。

阅读 858

20赞

2501_92472966

智慧城管目标检测乱象？陌讯算法实测误报率降60% 结合目标硬件（如Jetson系列）的TensorRT加速，能在精度损失极小 (<1% mAP) 的情况下提升推理速度40%以上。传统目标检测（如YOLO, Faster R-CNN）或追踪算法（如DeepSORT）在单一场景下表现尚可，但在城管这类开放、复杂、长尾场景下，其泛化能力、鲁棒性捉襟见肘。智慧城管的核心不在于追求技术的“酷炫”，而在于用稳定、可靠、实用的算法解决城市管理中的真问题、小问题。为了抵御光照变化、雨雾干扰、动态背景（飘动的树叶、云层阴影）等带来的噪声，陌讯在训练阶段引入了。

阅读 969

29赞

忆_恒心

【Node.js快速部署opencv项目】图像分类与目标检测在现代Web开发中，JavaScript通过Node.js得以进入后端编程领域，带来了许多前所未有的开发便利。opencv4nodejs 是一个将OpenCV的强大功能直接绑定到Node.js的库，它允许开发者在一个统一的JavaScript环境中实现复杂的图像和视频分析任务。

阅读 2.5k

29赞

Fxrain

[深度学习]目标检测YOLO v3 摘要：本实验基于YOLOv3算法在Baidu飞桨AIStudio平台上实现林业病虫害目标检测。通过Python编程，实验涉及锚框绘制、IoU计算、非极大值抑制等关键步骤，并构建了DarkNet53骨干网络。模型训练采用动量优化器，在昆虫数据集上验证了检测效果，最终通过预测框坐标和类别概率输出结果。实验表明，YOLOv3的多尺度特征融合策略有效提升了检测精度，实现了速度和准确率的平衡，为林业病虫害识别提供了可行方案。

阅读 1.2k

9赞

IT古董

【第五章:计算机视觉-计算机视觉在自动驾驶领域的应用】1.雷达点云3D目标检测-(1)自动驾驶雷达3D点云目标检测基础知识：任务定义、雷达点云图像特点介绍、3D目标检测标注本文介绍了自动驾驶中基于雷达点云的3D目标检测技术。首先阐述了任务定义，指出激光雷达在三维环境感知中的优势。其次分析了雷达点云的特点（稀疏性、不规则性等）及其处理方法。然后详细说明了3D目标检测的输出形式（边界框、类别等）和标注方法。最后列举了KITTI等典型数据集。该技术是自动驾驶感知系统的核心环节，后续将深入探讨体素化、投影变换等具体方法。

阅读 1.3k

18赞

作者推荐

zl29: 计算机专业学生，爱好篮球、流行音乐

关注

byzy: 不定期分享最新论文或基础知识，欢迎关注。

关注

Debroon: 1.要有生活目标，一辈子的目标，一段时期的目标，一个阶段的目标，一年的目标，一个月的目标，一个星期的目标，一天的目标，一个小时的目标，一分钟的目标 </br> 2.天才的强迫症 --- 不做完这件事，不能做其他事情 </br> 3. 行动击碎懒惰想法，立刻行动的习惯 --- 明天的事情今天干，今天的事情现在干，不行动整个人生就没有任何价值，不要成为那个每个时期啥都没干，2025年过去了什么都没干，一年没有价值，我接受不了

关注