A Comparative Attention Framework for Better Few-Shot Object Detection on Aerial Images
Université Sorbonne Paris Nord(巴黎索邦北大学)
Few-Shot目标检测(FSOD)方法主要在自然图像数据集上设计和评估,如Pascal VOC和MS COCO。然而,目前尚不清楚自然图像的最佳方法是否也是航空图像的最佳方法。此外,由于各种各样的检测框架和训练策略,很难直接比较FSOD方法之间的性能。因此,我们提出了一个基准框架,提供了一个灵活的环境来实现和比较基于注意力的FSOD方法。该框架以注意力机制为核心,分为空间对齐、全局注意和融合层三个模块。为了保持与现有方法的竞争力,这些方法通常利用复杂的训练,我们提出了为目标检测设计的新增强技术。使用这个框架,几个FSOD方法重新实现和比较。这种比较突出了航空和自然图像上两种不同的性能机制:FSOD在航空图像上的性能较差。我们的实验表明,小物体,这是很难检测到的Few-Shot设置,占性能不佳。最后,我们开发了一种新的多尺度对齐方法,跨尺度查询支持对齐(XQSA)FSOD,以提高小物体的检测。XQSA在DOTA和DIOR上的表现明显优于最先进的技术。
2022-10-25 cs.CV
Illicit object detection in X-ray imaging using deep learning techniques: A comparative evaluation
Department of Informatics and Telematics, Harokopio University of Athens(信息学与电信学系,哈罗基奥大学)
本文构建覆盖六大公开数据集、十类检测架构及精度与复杂度指标的统一评估框架,系统比较深度学习X射线违禁物品检测方法,并公开代码与权重。
2025-07-23 cs.CV
Object Detection and Tracking Algorithms for Vehicle Counting: A Comparative Analysis
University of Missouri-Columbia(密苏里大学哥伦比亚分校);WSP USA(WSP美国公司)
深度学习和高性能计算领域的快速发展极大地扩展了基于视频的车辆计数系统的范围。在本文中,作者部署了几个国家的最先进的目标检测和跟踪算法来检测和跟踪不同类别的车辆在他们的兴趣区(ROI)。正确检测和跟踪ROI中车辆的目标是获得准确的车辆计数。应用与不同跟踪系统耦合的目标检测模型的多种组合来访问最佳车辆计数框架。这些模型解决了与不同天气条件、遮挡和低光环境相关的挑战,并通过其计算丰富的训练和反馈周期有效地提取车辆信息和轨迹。所有模型组合产生的自动车辆计数进行了验证,并与从路易斯安那州交通和发展部获得的超过9小时的交通视频数据的手动计数地面实况进行了比较。实验结果表明,CenterNet和Deep SORT、Detectron2和Deep SORT以及YOLOv4和Deep SORT的组合为所有车辆产生了最佳的总体计数百分比。
2020-07-31 cs.CV
Comparative Benchmarking of Failure Detection Methods in Medical Image Segmentation: Unveiling the Role of Confidence Aggregation
German Cancer Research Center (DKFZ)(德国癌症研究中心);Medical Faculty Heidelberg, Heidelberg University(海德堡大学海德堡医学院);Helmholtz Imaging(亥姆霍兹成像);Heidelberg University Hospital(海德堡大学医院)
本文构建了医学图像分割失败检测的基准框架,基于五个公开3D医学图像数据集评估多种方法,发现像素置信度聚合至关重要,并证明集成预测间的成对Dice分数是简单且稳健的失败检测基线。
2024-06-24 cs.CV
Convolutional Neural Networks for joint object detection and pose estimation: A comparative study
Université Paris-Est(巴黎东大)
在本文中,我们研究了应用卷积神经网络联合检测对象描绘在静态图像和估计其三维姿态。我们确定了定向对象的不同特征表示,以及导致网络学习这种表示的能量。表示的选择是至关重要的,因为对象的姿势具有自然的连续结构,而其类别是离散变量。我们使用平均视点精度评估Pascal 3D+基准的联合目标检测和姿态估计任务的不同方法。我们表明,离散化的观点的分类方法实现联合目标检测和姿态估计的最先进的性能,并显着优于现有的基准。
2015-02-28 cs.CV cs.LG cs.NE
Comparative study of 3D object detection frameworks based on LiDAR data and sensor fusion techniques
University of Applied Sciences Bonn Rhein Sieg(波恩莱茵锡格应用科学大学)
准确地估计和理解车辆周围的环境是自动驾驶车辆的基本和关键步骤。感知系统在实时提供车辆环境的准确解释方面发挥着重要作用。通常,感知系统涉及各种子系统,诸如定位、障碍物(静态和动态)检测、以及回避、映射系统等。为了感知环境,这些车辆将配备各种外感受(被动和主动)传感器,特别是摄像头,雷达,激光雷达等。这些系统配备了深度学习技术,可以将来自传感器的大量数据转换为语义信息,并在此基础上执行目标检测和定位任务。对于许多驾驶任务,为了提供准确的结果,特定对象的位置和深度信息是必要的。3D目标检测方法通过利用来自激光雷达、立体相机等传感器的额外姿态数据,提供有关物体尺寸和位置的信息。基于最近的研究,三维目标检测框架执行目标检测和定位的激光雷达数据和传感器融合技术显示出显着的改善,在其性能。在这项工作中,使用激光雷达数据的效果进行比较研究的目标检测框架和使用传感器融合技术的性能改善。同时讨论了这两种情况下的各种最先进的方法,进行实验分析,并提供未来的研究方向。
2022-03-15 cs.AI cs.CV
Comparative Analysis of Object Detection Algorithms for Surface Defect Detection
Adamas University(阿达玛斯大学)
本文在NEU-DET数据集上比较六种目标检测算法,YOLOv11凭借增强特征提取与单次前向传播,平均精度高出70%,成为表面缺陷检测最有效模型。
2025-10-21 cs.AI cs.CV
A Comparative Review of Recent Few-Shot Object Detection Algorithms
Chongqing University of Posts and Telecommunications(重庆邮电大学);Huaiyin Institute of Technology(淮阴工学院)
Few-Shot目标检测是一种学习适应具有少量标记数据的新类别的方法,由于现实世界数据固有的长尾分布以及降低数据汇集和标注成本的迫切需求,它是一个迫切而持久的问题。最近,一些研究探索了如何在没有目标域监督的情况下使用额外数据集中的隐式线索来帮助Few-Shot检测器改进鲁棒任务概念。本文从多个角度对Few-Shot目标检测的经典研究成果和最新研究成果进行了综述,并对未来的研究方向进行了展望。特别是,我们首先提出了一个基于数据的分类的训练数据和形式的相应的监督,在训练阶段访问。根据这种分类法,我们提出了一个重要的正式定义,主要挑战,基准数据集,评估指标和学习策略的审查。此外,我们提出了一个详细的调查如何相互作用的目标检测方法系统地发展这个问题。最后,我们总结了Few-Shot目标检测的现状,以及该领域潜在的研究方向。
2021-10-30 cs.AI cs.CV
Shadow Detection: A Survey and Comparative Evaluation of Recent Methods
NICTA(澳大利亚国家信息与通信技术研究院);The University of Queensland(昆士兰大学)
本文介绍了一个调查和比较评价最近的技术,运动投影检测。我们确定阴影去除作为一个关键步骤,提高目标检测和跟踪。该调查涵盖了过去十年中发表的方法,并将其置于基于特征的分类中,包括四个类别:色度,物理,几何和纹理。在定量性能指标(阴影检测和歧视率,颜色去饱和)以及定性观察方面的选择突出的方法进行了比较。此外,我们建议使用跟踪性能作为一个无偏的方法来确定阴影检测方法的实际用途。评价结果表明,各种阴影检测方法的贡献各不相同,各有优缺点。在所选择的方法中,基于几何的技术具有严格的假设,并且不能推广到各种环境,但是当感兴趣的对象易于建模并且它们的阴影具有不同方向时,它是一个简单的选择。基于色度的方法实现和运行速度最快,但对噪声敏感,在低饱和度场景中效果较差。物理方法通过适应局部阴影模型提高了色度方法的精度,但当物体的光谱特性与背景的光谱特性相似时,物理方法就失败了。基于小区域纹理的方法对于其邻域被纹理化的像素是特别鲁棒的,但是可能需要更长的时间来实现,并且是计算上最昂贵的。基于大区域纹理的方法产生最准确的结果,但由于其多个处理步骤而具有显著的计算负荷。
2013-04-04 cs.CV cs.RO
Comparative study of subset selection methods for rapid prototyping of 3D object detection algorithms
AGH University of Krakow(AGH科技大学)
本文比较随机采样、每类随机采样和提出的MONSPeC三种子集选择方法,用于三维目标检测算法快速原型,证明后两者更有效,结果更易迁移至全数据集。
2023-06-30 cs.CV eess.IV
Deep neural networks approach to microbial colony detection -- a comparative analysis
NeuroSYS(NeuroSYS公司);Wroclaw University of Science and Technology(弗罗茨瓦夫理工大学);University of Wroclaw(弗罗茨瓦夫大学)
微生物菌落计数是微生物学的一项基本任务,在许多工业分支中有许多应用。尽管如此,由于缺乏统一的方法和大型数据集的可用性,目前使用人工智能进行自动微生物计数的研究几乎没有可比性。最近推出的AGAR数据集是对第二个需求的回答,但所进行的研究仍然不够详尽。为了解决这个问题,我们比较了三种知名的深度学习方法在AGAR数据集上进行目标检测的性能,即两阶段,一阶段和基于Transformer的神经网络。所取得的结果可以作为未来实验的基准。
2021-08-24 cs.CV eess.IV q-bio.QM
A Comparative Study of U-Net Architectures for Change Detection in Satellite Images
Gujarat Technological University(古吉拉特理工大学)
本文综述34篇论文并比较18种U-Net变体在遥感卫星图像变化检测中的优劣,重点分析Siamese Swin-U-Net等专用架构及多时相数据与长距离关系建模的价值。
2025-06-09 cs.CV cs.LG eess.IV
Comparative analysis of common edge detection techniques in context of object extraction
MA National Institute of Technology(MA国立理工学院)
边缘特征的边界,因此是一个具有实际意义的问题,在遥感,本文提出了一种比较研究的各种边缘检测技术和波段分析这些算法的背景下,对象提取方面的遥感卫星图像从印度遥感卫星(IRS)传感器LISS 3,LISS 4和Cartosat 1以及谷歌地球。
2014-02-05 cs.CV
A Comparative Study between Moravec and Harris Corner Detection of Noisy Images Using Adaptive Wavelet Thresholding Technique
JIS College of Engineering(JIS工程学院)
在本文中,Moravec和哈里斯角点检测之间的比较研究已经做了获得所需的跟踪和识别噪声图像中的对象的功能。噪声图像的角点检测是图像处理中的一项具有挑战性的任务。自然图像在采集和传输过程中经常受到噪声的破坏。由于这些噪声图像的角点检测不能提供期望的结果,因此需要去噪。自适应小波阈值方法适用于相同的。
2012-09-07 cs.CV
Comparative Study of Parameter Selection for Enhanced Edge Inference for a Multi-Output Regression model for Head Pose Estimation
Sri Lanka Institute of Information Technology(斯里兰卡信息技术学院);Ulster University(阿尔斯特大学)
基于幅度的修剪是一种用于优化边缘推断的深度学习模型的技术。我们已经实现了超过75%的模型大小减少,具有更高的精度比原来的多输出回归模型的头部姿态估计。
2022-12-28 cs.AI cs.CV
Comparative study and enhancement of Camera Tampering Detection algorithms
SAGE Research Unit ENISo School of Engineers of Sousse University of Sousse(苏塞大学苏塞国家工程师学院 SAGE 研究单位)
近年来,视频监控系统的应用越来越广泛。医院、学校、机场、博物馆和军事场所等不同场所都配备了摄像头监控,以确保人员及其财产的安全。因此,保证这些系统的正常工作变得非常重要。智能视频监控系统配备了先进的数码相机,可以分析视频信息,并自动检测可疑的行动。摄像机篡改检测算法可以指示已经发生的意外或可疑活动并且导致视频监控的异常工作。摄像机篡改检测使用基于图像处理和计算机视觉的若干技术。本文针对视频监控中的异常干扰检测问题,对三种检测算法的性能进行了比较研究。
2016-08-08 cs.CV
A Comparative Study of Meter Detection Methods for Automated Infrastructure Inspection
Hitachi, Ltd. Central Research Laboratory(日立制作所中央研究所)
为了从具有位置误差的自主检查机器人上的相机读取仪表值,需要从图像中检测仪表区域。在这项研究中,我们开发了基于形状,基于纹理和基于背景信息的方法作为仪表区域检测技术,并比较了它们对不同形状和大小的仪表的有效性。结果,我们确认基于背景信息的方法可以检测最远的仪表,而无论仪表的形状和数量如何,并且可以稳定地检测直径为40 px的仪表。
2022-04-24 cs.CV
A comparative evaluation of two algorithms of detection of masses on mammograms
University of Dschang(恩桑大学);Université de Yaoundé I(雅温得第一大学);The Abdus Salam International Centre for Theoretical Physics(阿卜杜勒·萨拉姆国际理论物理中心)
在本文中,我们实现并进行了计算机辅助检测肿块的乳房X线照片的两种方法的比较。这两种算法基本上都包括3个步骤:分割,二值化和噪声抑制,每个步骤使用不同的技术。一个60幅图像的数据库被用来比较两种算法的性能方面的一般检测效率,保存的大小和形状的检测群众。
2012-03-08 cs.CV
Confidence-based Out-of-Distribution Detection: A Comparative Study and Analysis
Technical University Munich(慕尼黑工业大学);Imperial College London(帝国理工学院)
部署在现实世界中的图像分类模型可能接收预期数据分布之外的输入。对于临床决策等关键应用,模型必须能够检测此类分布外(OOD)输入并表示其不确定性。在这项工作中,我们通过比较研究和深入分析,评估各种国家的最先进的方法,以信心为基础的OOD检测的能力。首先,我们利用计算机视觉基准再现和比较多种OOD检测方法。然后,我们评估他们的能力,在具有挑战性的任务,疾病分类使用胸部X射线。我们的研究表明,计算机视觉任务的高性能并不直接转化为医学成像任务的准确性。我们分析了影响两个任务之间的方法的性能的因素。我们的研究结果为开发下一代OOD检测方法提供了有用的见解。
2021-07-06 cs.CV
Deepfake Detection: A Comparative Analysis
SFI-MediaFutures, University of Bergen(卑尔根大学SFI媒体未来研究中心);University of Bergen(卑尔根大学)
本文比较了有监督与自监督模型在四个深度伪造基准上的检测性能,分析泛化能力、数据增强影响及模型规模与性能的权衡,为构建更可靠的检测系统提供指导。
2023-08-07 cs.CV
Semantic Line Detection Using Mirror Attention and Comparative Ranking and Matching
Korea University(高丽大学)
提出了一种新的语义线检测算法。我们开发了三个网络:镜像注意检测网络(D-Net)和比较排名和匹配网络(R-Net和M-Net)。D-Net通过利用丰富的上下文信息来提取语义线。为此,我们设计了镜像注意模块。然后,通过成对比较提取的语义线,我们迭代地选择最语义线,并删除冗余的重叠与所选择的一个。对于成对比较,我们在Siamese架构中开发了R-Net和M-Net。实验结果表明,该算法的性能明显优于传统的语义线检测器。此外,我们应用该算法检测两种重要的语义线成功:主导平行线和反射对称轴。我们的代码可在https://github.com/dongkwonjin/Semantic-Line-DRM上获得。
2022-03-29 cs.CV
Token Compression Meets Compact Vision Transformers: A Survey and Comparative Evaluation for Edge AI
Singapore University of Technology and Design (SUTD)(新加坡科技设计大学)
本文首次提出token压缩方法的系统分类,并在标准与紧凑型ViT架构上进行对比评估,发现这些方法在紧凑型设计中往往表现不佳,为Edge AI和AI agent应用的token优化提供了实用见解。
2025-07-13 cs.CV
Unsupervised learning for concept detection in medical images: a comparative analysis
University of Aveiro(阿威罗大学)
随着数字医学成像变得越来越普遍,档案的大小增加,表示学习暴露了一个有趣的机会,增强医疗决策支持系统。另一方面,医学成像数据往往是稀缺的,缺乏注释。在本文中,我们提出了一个评估的无监督特征学习方法的图像在生物医学文献中,它可以应用于自动生物医学概念检测。构建了六种无监督表示学习方法,包括传统的视觉词袋,自动编码器和生成对抗网络。每个模型都经过训练,并使用ImageCLEF 2017概念检测任务中的图像评估其各自的特征空间。我们的结论是,与以前流行的计算机视觉方法相比,现代深度学习方法可以获得更强大的表示。虽然生成对抗网络可以提供良好的结果,但它们在高度变化的数据集上更难成功。半监督学习的可能性,以及它们在医学信息检索问题中的应用,是下一个需要重点考虑的步骤。
2018-05-04 cs.CV
Supervised and Unsupervised Detections for Multiple Object Tracking in Traffic Scenes: A Comparative Study
Polytechnique Montréal(蒙特利尔高等理工学院)
在本文中,我们提出了一个多目标跟踪器,称为MF跟踪器,它集成了多个经典功能(空间距离和颜色)和现代功能(检测标签和重新识别功能)在其跟踪框架。由于我们的跟踪器可以处理来自无监督和有监督对象检测器的检测,因此我们还研究了有监督和无监督检测输入在我们的方法中的影响,以及对跟踪道路使用者的影响。我们还将我们的结果与应用于UA-Detrac和UrbanTracker数据集的现有方法进行了比较。结果表明,我们提出的方法在不同情况下在两个具有不同输入的数据集上都表现得非常好(UrbanTracker数据集上的无监督输入的MOTA范围为0:3491到0:5805,UA Detrac数据集上的监督输入的平均MOTA为0:7638)。经过良好训练的监督对象检测器可以在具有挑战性的场景中提供更好的结果。然而,在更简单的情况下,如果没有好的训练数据,无监督方法可以表现良好,可以是一个很好的替代方案。
2020-03-30 cs.CV
InspectorGPT: A Comparative Reasoning Enhanced VLM for Comprehensive Industrial Anomaly Detection
Shanghai Jiao Tong University(上海交通大学);The Chinese University of Hong Kong(香港中文大学)
本研究提出InspectorGPT,一种结合对比推理的VLM框架,通过CoT微调与GRPO优化,配合任务向量融合的InspectorGPT-Seg实现工业异常检测,在多维度性能及未见基准泛化上表现优异。
2026-09-01 cs.CV
Comparative Analysis: Violence Recognition from Videos using Transfer Learning
ADA University(ADA大学);George Washington University(乔治华盛顿大学)
本研究在复杂数据集上对多种深度学习技术进行基准测试,发现数据集规模从500增至1600个视频后,四个模型的平均准确率提升了6%。
2024-08-26 cs.CV
Exploring Self-Supervised Vision Transformers for Deepfake Detection: A Comparative Analysis
National Institute of Informatics(情报学研究所);SOKENDAI(综合研究大学院大学);The University of Tokyo(东京大学)
本文比较了自监督预训练ViTs、监督预训练ViTs和ConvNets在深度伪造检测中的表现,发现自监督ViTs在有限数据和部分微调下具有可比的适应性与可解释性,且资源效率更高。
2024-08-09 cs.CV
A Comparative Study of 3D Person Detection: Sensor Modalities and Robustness in Diverse Indoor and Outdoor Environments
Fraunhofer Institute for Cognitive Systems IKS(弗劳恩霍夫认知系统研究所)
本文比较了三种三维人物检测方法,发现融合模型在复杂场景中表现最佳,但对传感器错位仍敏感。
2026-02-06 cs.CV
A Comparative Analysis of Semiconductor Wafer Map Defect Detection with Image Transformer
Chittagong University of Engineering and Technology(吉大港工程技术大学)
本研究比较了基于图像变换器的DeiT模型在半导体晶圆地图缺陷检测中的性能,发现其在分类准确率、F1分数和训练速度上均优于传统CNN模型。
2025-12-12 cs.CV
A Review and Comparative Study on Probabilistic Object Detection in Autonomous Driving
Ulm University(乌尔姆大学);University of Toronto Institute for Aerospace Studies(多伦多大学航空航天研究所)
捕获目标检测中的不确定性对于安全自动驾驶是必不可少的。近年来,深度学习已经成为目标检测的事实上的方法,并且已经提出了许多概率目标检测器。然而,深度目标检测中的不确定性估计并没有总结,现有的方法不仅构建了不同的网络架构和不确定性估计方法,而且在不同的数据集上进行评估,评估指标范围很广。因此,各种方法之间的比较仍然具有挑战性,选择最适合特定应用的模型也是如此。本文旨在通过对现有的自动驾驶应用中的概率目标检测方法进行回顾和比较研究来缓解这一问题。首先,我们概述了深度学习中的一般不确定性估计,然后系统地调查了概率目标检测的现有方法和评估指标。接下来,我们基于图像检测器和三个公共自动驾驶数据集对概率目标检测进行了严格的比较研究。最后,我们提出了剩余的挑战和未来的工作进行了讨论。代码已在https://github.com/asharakeh/pod_compare.git上提供
2021-07-11 cs.CV cs.RO
Rice Leaf Disease Detection: A Comparative Study Between CNN, Transformer and Non-neural Network Architectures
Viqarunnisa Noon College(维加鲁尼萨noon学院);Bangladesh University of Engineering and Technology(孟加拉工程技术大学)
本研究针对孟加拉国水稻叶病检测需求,基于Dhan-Shomadhan数据集对比CNN、ViT及传统SVM等架构,采用迁移学习提升小数据泛化能力,发现ResNet50性能最优。
2025-01-12 cs.CV
Unmasking Performance Gaps: A Comparative Study of Human Anonymization and Its Effects on Video Anomaly Detection
Eindhoven University of Technology(埃因霍温理工大学)
本文系统比较了模糊、掩码、加密和虚拟形象替换四种匿名化技术对UCF-Crime视频异常检测的影响,评估MGFN等四种方法,揭示算法特定敏感性与隐私-效用权衡。
2025-07-18 cs.CV
A Comparative Study of Face Detection Algorithms for Masked Face Detection
本文针对COVID-19背景下戴口罩人脸检测缺乏证据的问题,回顾现有算法与数据集,并评估比较了一组代表性人脸检测器在该任务上的性能及影响因素。
2023-05-18 cs.CV cs.LG
Optimizing YOLO Architectures for Optimal Road Damage Detection and Classification: A Comparative Study from YOLOv7 to YOLOv10
Sam Houston State University(萨姆休斯顿州立大学);Academy of Finance(金融学院);FPT University(FPT大学)
维护道路基础设施对于确保安全、高效和可持续的交通系统至关重要。然而,用于检测道路损坏的手动数据汇集是耗时的、劳动密集型的,并且带来安全风险。人工智能的最新进展,特别是深度学习,为使用道路图像自动化这一过程提供了一个有前途的解决方案。本文提出了一种使用深度学习模型进行道路损坏检测的综合工作流程,重点关注在保持检测准确性的同时优化推理速度。具体而言,为了适应硬件限制,裁剪大图像,并利用轻量级模型。此外,外部坑洞数据集被纳入,以提高这种代表性不足的损害类的检测。所提出的方法采用多个模型架构,包括具有协调注意力层的自定义YOLOv 7模型和Tiny YOLOv 7模型,这些模型经过训练和组合以最大限度地提高检测性能。模型被进一步重新参数化以优化推理效率。实验结果表明,自定义YOLOv 7模型与三个坐标注意力层和默认的Tiny YOLOv 7模型的集成实现了F1得分为0.7027,推理速度为0.0547秒/图像。完整的管道,包括数据预处理,模型训练和推理脚本,在该项目的GitHub存储库中公开提供,从而实现可重复性并促进进一步的研究。
2024-10-10 cs.CV
Innovative Deep Learning Techniques for Obstacle Recognition: A Comparative Study of Modern Detection Algorithms
University of São Paulo(圣保罗大学);University of the Andes(安第斯大学);Federal University of Rio de Janeiro(里约热内卢联邦大学)
本研究比较了YOLOv8、YOLOv7、YOLOv6和YOLOv5在实时障碍物检测中的性能,发现YOLOv8准确率最高且精确率-召回率指标更优,验证了其有效性。
2024-10-14 cs.CV cs.RO
Advancements in Ship Detection: Comparative Analysis of Optical and Hyperspectral Sensors
American University of Sharjah(沙迦美国大学);University of Dubai(迪拜大学);Mohammed Bin Rashid Space Centre(穆罕默德·本·拉希德航天中心)
本文对比分析了光学与高光谱传感器在船舶检测与分类中的技术特点、适用性及优劣,强调根据任务需求选择合适传感器以提升检测精度。
2024-10-11 cs.CV eess.IV
Pupil Center Detection Approaches: A comparative analysis
Universidad de Oriente(东方大学);École Polytechnique de Montréal(蒙特利尔理工学院)
在过去的十年中,用于眼动追踪的技术和工具的开发一直是一个不断增长的领域。使用图像处理技术检测瞳孔的中心已经是该过程中的重要步骤。已经提出了使用传统的图像处理和基于机器学习的方法来进行瞳孔中心检测的大量技术。尽管提出了大量的方法,但没有发现使用相同的图像和性能指标对其性能进行比较的工作。在这项工作中,我们的目的是比较四个最常被引用的传统方法的瞳孔中心检测的准确性,鲁棒性和计算成本。这些方法是基于圆Hough变换、椭圆拟合、Daugman积分微分算子和径向对称变换。对来自CASIA-IrisV 3和CASIA-IrisV 4数据库的800幅包含各种干扰的红外图像进行了比较分析。基于径向对称变换的方法性能最好,准确率和平均鲁棒性均高于94%。用椭圆拟合法得到的最短加工时间为0.06 s。
2020-06-19 cs.CV eess.IV
A Comparative Study of Fruit Detection and Counting Methods for Yield Mapping in Apple Orchards
University of Minnesota(明尼苏达大学)
我们提出了基于最近的深度学习方法的苹果检测和计数的新方法,并将其与基于经典方法的最新结果进行了比较。我们的目标是量化的性能改进神经网络为基础的方法相比,基于经典的方法。此外,我们还介绍了一个完整的系统,用于计算整排苹果。这项任务具有挑战性,因为它需要从行的两侧跟踪图像中的水果。我们在六个数据集上评估了三种水果检测方法和两种水果计数方法的性能。结果表明,经典检测方法在大多数数据集中仍然优于基于深度学习的方法。然而,对于水果计数,基于深度学习的方法在所有数据集上都表现得更好。结合经典的检测方法与基于神经网络的计数方法,我们实现了显着的产量精度从95.56%到97.83%。
2019-03-06 cs.CV cs.RO
Evaluating Modern Visual Anomaly Detection Approaches in Semiconductor Manufacturing: A Comparative Study
University of Padova(帕多瓦大学)
针对半导体制造中监督检测依赖异常标注样本的问题,本文基于 MIIC 数据集构建 VAD 基准,比较验证现代无监督视觉异常检测方法的有效性。
2025-05-12 cs.AI cs.CV
Comparative Analysis of YOLOv5, Faster R-CNN, SSD, and RetinaNet for Motorbike Detection in Kigali Autonomous Driving Context
针对基加利摩托出租车行驶不规范给自动驾驶带来的挑战,本研究基于当地采集的198张图像数据集,对比了YOLOv5等四种检测模型的性能,指出实施难点并建议采用简化架构适配发展中国家资源受限场景。
2025-10-06 cs.CV cs.LG
IceHorizon: A Dataset for Horizon Detection in Ice-Covered Maritime Environments and Comparative Evaluation of Detection Methods
Mid Sweden University(中瑞典大学)
本文构建了IceHorizon数据集,对比评估六种地平线检测算法,发现混合方法准确率最高,且船舶图像检测性能优于无人机图像,相关资源已公开供后续研究使用。
2026-08-10 cs.CV cs.LG eess.IV
Colonoscopy Polyp Detection and Classification: Dataset Creation and Comparative Evaluations
The University of Kansas(堪萨斯大学);The University of Kansas Medical Center(堪萨斯大学医学中心);Washington University School of Medicine(华盛顿大学医学院);Ryerson University(瑞尔森大学)
结直肠癌(CRC)是最常见的癌症类型之一,具有高死亡率。结肠镜检查是CRC筛查的首选方法,已被证明可有效降低CRC死亡率。因此,可靠的计算机辅助息肉检测和分类系统可以显着提高结肠镜检查的有效性。在本文中,我们创建了一个从各种来源收集的内窥镜数据集,并在经验丰富的胃肠病学家的帮助下注释了息肉位置和分类结果的真实情况。该数据集可以用作训练和评估用于息肉分类的机器学习模型的基准平台。我们还比较了八种最先进的基于深度学习的目标检测模型的性能。结果表明,深度CNN模型在CRC筛查中是有前途的。这项工作可以作为息肉检测和分类的未来研究的基线。
2021-08-05 cs.AI cs.CV
Machine Learning based Medical Image Deepfake Detection: A Comparative Study
Northwood High School(诺斯伍德高中);Irvine Unified School District(尔湾联合学区);Fowler School of Engineering(福勒工程学院);Chapman University(查普曼大学)
近年来,深度生成网络在消费各种形式的数字信息时加强了谨慎的必要性。Deepfake创建的一个途径是从医学扫描中注射和移除肿瘤。未能检测到医疗深度伪造可能会导致医院资源的重大挫折,甚至导致生命损失。本文试图通过结构化的案例研究来解决此类攻击的检测问题。具体来说,我们评估了八种不同的机器学习算法,包括三种传统的机器学习方法,支持向量机,随机森林,决策树,和五种深度学习模型,DenseNet121,DenseNet201,ResNet50,ResNet101,VGG19,在区分篡改和未篡改图像方面。对于深度学习模型,五种模型用于特征提取,则对每个预训练模型执行微调。这项工作的结果显示,在检测肿瘤注射和切除的情况下,近乎完美的准确性。
2022-04-06 cs.CV cs.LG
A Comparative Analysis of Machine Learning Approaches for Automated Face Mask Detection During COVID-19
University of Calgary(卡尔加里大学)
世界卫生组织(世卫组织)已建议佩戴口罩作为预防COVID-19传播的最有效措施之一。在许多国家,戴口罩是强制性的,特别是在公共场所。由于人工监测口罩在人群中间往往不可行,因此自动检测可能是有益的。为了促进这一点,我们探索了许多深度学习模型(即,VGG 1,VGG 19,ResNet 50)进行面罩检测,并在两个基准数据集上对其进行了评估。我们还评估了迁移学习(即,VGG 19,ResNet 50在ImageNet上预训练)。我们发现,虽然所有的模型的性能都相当不错,迁移学习模型达到最好的性能。迁移学习在训练时间减少30%的情况下,使学习成绩提高了0.10%~ 0.40%。我们的实验还表明,这些高性能模型对于测试数据集来自不同分布的真实情况并不十分鲁棒。在没有任何微调的情况下,这些模型的性能在跨域设置中下降了47%。
2021-12-15 cs.CV cs.LG
Detection of Endangered Deer Species Using UAV Imagery: A Comparative Study Between Efficient Deep Learning Approaches
Artificial Intelligence and Robotics Laboratory (LINAR)(人工智能与机器人实验室);Universidad de San Andrés(圣安德烈大学);Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET)(国家科学与技术研究中心);Centre for Automation and Robotics (CSIC-UPM)(自动化与机器人中心);Museo Argentino Bernardino Rivadavia(阿根廷Bernardino Rivadavia博物馆)
比较YOLOv11变体和RT-DETR模型在无人机图像中检测濒危沼泽鹿的性能,通过引入分割头提升小目标检测效果,为野生动物保护提供AI驱动方案。
2025-05-30 cs.AI cs.CV
Transforming Blood Cell Detection and Classification with Advanced Deep Learning Models: A Comparative Study
本研究比较YOLOv10、MobileNetV2、ShuffleNetV2和DarkNet在血细胞检测与分类中的性能,证明YOLOv10实时表现最佳,并开源新标注数据集以推动临床诊断应用。
2025-08-16 cs.CV eess.IV
Non-invasive Diabetes Detection using Gabor Filter: A Comparative Analysis of Different Cameras
Ateneo de Manila University(雅典耀大学)
本文比较了移动设备和笔记本电脑摄像头在基于Gabor滤波的面部纹理特征非侵入性糖尿病检测中的性能,使用k-NN和SVM分类,12mp后置摄像头结合SVM实现了96.7%的准确率。
2023-07-28 cs.AI cs.CV
Anomaly Detection Using Computer Vision: A Comparative Analysis of Class Distinction and Performance Metrics
AIUB(孟加拉国国际大学(AIUB))
本研究通过结合OpenCV与深度学习,利用MobileNetV2模型实现实时人脸识别,对管理员、入侵者和非人类实体进行分类,准确率分别达90.20%、98.60%和75.80%,并保持30帧/秒的处理速度,为高安全环境下的异常检测提供了优化方案。
2025-03-24 cs.AI cs.CV
A Comparative Study of Machine Learning and Deep Learning for Out-of-Distribution Detection
VUNO Inc.(VUNO公司)
本文比较了传统机器学习和深度学习在分布外检测任务中的性能,发现轻量级机器学习方法在保持同等准确性的同时,具有显著更低的计算成本,适用于视觉复杂度有限的任务。
2026-05-20 cs.AI cs.CV
Variational Autoencoder for Anomaly Detection: A Comparative Study
FPT University(FPT大学);Swinburne Vietnam(斯威本科技大学越南分校);IRISA(IRISA研究院);Université Bretagne Sud(南布列塔尼大学)
本文比较了原始VAE、VAE-GRF和ViT-VAE在异常检测中的性能,发现ViT-VAE表现最佳,并引入MiAD数据集以减少对MVTec的过度依赖,构建更稳健的评估框架。
2024-08-24 cs.CV eess.IV
The Impact of Image Resolution on Face Detection: A Comparative Analysis of MTCNN, YOLOv XI and YOLOv XII models
Duzce University(迪兹杰大学)
本文系统比较了 YOLOv11、YOLOv12 和 MTCNN 在 WIDER FACE 数据集上不同分辨率下的人脸检测性能,发现 YOLOv11 准确性最佳,YOLOv12 召回率略高,MTCNN 推理速度较慢,为分辨率受限场景下的模型选择提供了依据。
2025-07-31 cs.AI cs.CV
Hyperspectral Anomaly Detection Methods: A Survey and Comparative Study
School of Information Technology, Deakin University(信息技术学院,德坎大学)
本研究综述并比较了多种高光谱异常检测方法,将其分为统计模型、基于表示的方法、经典机器学习和深度学习四类,在17个基准数据集上评估发现深度学习模型精度最高而统计模型速度最快。
2025-07-11 cs.AI cs.CV
Direct Comparative Analysis of Nature-inspired Optimization Algorithms on Community Detection Problem in Social Networks
National Institute of Technology, Silchar(锡尔查尔国家理工学院);Université Paris-Saclay(巴黎萨克雷大学);INRAE(法国国家农业、食品与环境研究院)
自然启发优化算法(NIOAs)是当今社交网络中社区发现的流行选择。社会网络中的社区发现问题被视为优化问题,其目标是最大化社区内的连接或最小化社区之间的连接。为了应用NIOA,对这两个目标中的一个或两个目标都进行了探讨。由于NIOA在其策略中主要利用随机性,因此有必要针对特定应用分析其性能。针对社区发现问题,分析了NIOA算法。遵循直接比较方法来执行NIOA的成对比较。根据prasatul矩阵和平均隔离度设计的五个分数来衡量性能。三个广泛使用的现实世界的社交网络和四个NIOA被认为是分析NIOA所产生的社区的质量。
2022-12-21 cs.CV cs.NA cs.NE
A Comparative Study of Federated Learning Models for COVID-19 Detection
University of Groningen(格罗宁根大学);UMCG(格罗宁根大学医学中心)
深度学习在诊断COVID-19方面是有效的,需要大量数据进行有效训练。由于数据和隐私法规,医院通常无法访问其他医院的数据。联邦学习(FL)已被用来解决这个问题,其中它利用分布式设置,以隐私保护的方式在医院中训练模型。部署FL并不总是可行的,因为它需要高计算和网络通信资源。本文评估了五种FL算法用于Covid-19检测的性能和资源效率。建立了一个具有CNN网络的分散环境,并将FL算法的性能与集中环境进行了比较。我们研究了不同数量的参与者,联邦轮和选择算法的算法。我们的研究结果表明,循环权重转移可以有更好的整体性能,结果是更好的参与医院少。我们的研究结果证明了检测COVID-19患者的良好性能,并且可能有助于部署FL算法用于COVID-19检测和医学图像分析。
2023-03-28 cs.CV cs.LG eess.IV