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
Optimizing YOLOv8 for Parking Space Detection: Comparative Analysis of Custom YOLOv8 Architecture
The University of Texas at Arlington(德克萨斯理工大学)
本研究对比了集成不同骨干网络(ResNet-18、VGG16、EfficientNetV2、Ghost)的YOLOv8在PKLot数据集上的停车位检测性能,分析了精度与效率的权衡,为模型选择提供指导。
2025-05-23 cs.CV
Confidence-Aware Learning for Camouflaged Object Detection
ANU(澳大利亚国立大学)
信任感知学习被证明是防止网络过度自信的有效解决方案。我们提出了一个信任感知的伪装目标检测框架,使用动态监督,以产生准确的伪装图和有意义的“信心”表示模型对当前预测的认识。设计了一个伪装目标检测网络来产生我们的伪装预测。然后,将其与输入图像拼接,并将其输入到置信度估计网络,生成一个单通道置信度图,并对置信度估计网络生成动态监督,以表示伪装预测与地面真实伪装图的一致性。通过生成的置信图,我们引入了以置信图为指导的置信度感知学习,以更加关注损失函数中的硬/低置信度像素。我们声称,一旦经过训练,我们的置信度估计网络可以评估预测的像素准确性,而不依赖于地面真实伪装图。在四个伪装目标检测测试数据集上的大量结果表明,该模型在解释伪装预测方面具有优越的性能。
2021-06-22 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
Deep Convolutional Architectures for EEG Classification: A Comparative Study with Temporal Augmentation and Confidence-Based Voting
Department of Computer Science(计算机科学系);California State University, Fresno(加州州立大学,弗雷斯诺分校)
本文比较了深度学习架构在EEG信号分类中的应用,通过时间增强和置信度投票机制提升分类性能,发现3D CNN在AUC和平衡准确率上优于2D架构。
2026-02-25 cs.AI cs.CV cs.LG
Comparative Study Of Image Edge Detection Algorithms
Vellore Institute of Technology(韦洛尔理工学院)
由于边缘检测在目标检测的图像处理中处于最前沿,因此很好地理解边缘检测算法至关重要。其原因是边形成了对象的轮廓。边缘是对象和背景之间的边界,表示重叠对象之间的边界。这意味着如果图像中的边缘可以被准确地识别,则可以定位所有对象,并且可以测量诸如面积、周长和形状之类的基本属性。由于计算机视觉涉及图像中对象的识别和分类,因此边缘检测是一个必不可少的工具。我们测试了两种边缘检测器,它们使用不同的方法来检测边缘,并在各种情况下比较了它们的结果,以确定在不同的条件下哪种检测器更好。
2013-11-21 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
Comparative Study of Statistical Skin Detection Algorithms for Sub-Continental Human Images
Institute of Information Technology, University of Dhaka(达卡大学信息技术学院);Department of Statistics, Biostatistics and Informatics, University of Dhaka(达卡大学统计、生物统计与信息学系)
目标检测一直是人机交互领域的研究热点。皮肤区域检测已经成为人脸识别、人体运动检测、色情和裸体图像预测等不同领域的关键。在皮肤检测领域所做的大部分研究都是在非洲、蒙古和盎格鲁-撒克逊人种的人体图像上进行训练和测试的。虽然有几种强度不变的方法来检测皮肤,印度次大陆的肤色没有被单独关注。本研究的方法是使用印度次大陆人体图像对三种图像分割方法进行比较研究,优化检测标准,并找到一些有效的参数来从这些图像中检测皮肤区域。实验观察到,基于HSV颜色模型的方法更适合于印度次大陆皮肤检测,具有91.1%的真阳性和88.1%的真阴性的相当大的成功率。
2010-08-25 cs.CV
Localization-Guided Track: A Deep Association Multi-Object Tracking Framework Based on Localization Confidence of Detections
Chongqing University(重庆大学);James Cook University(詹姆斯库克大学)
本文提出LG-Track框架,首次在多目标跟踪中引入定位置信度,结合外观清晰度与定位准确性设计深度关联机制,并在MOT17和MOT20上取得优于现有方法的性能。
2023-09-18 cs.CV
ConfMix: Unsupervised Domain Adaptation for Object Detection via Confidence-based Mixing
University of Trento(特伦托大学);Fondazione Bruno Kessler(布鲁诺·凯塞勒基金会)
用于目标检测的无监督领域自适应(UDA)旨在调整在源域上训练的模型以检测来自新目标域的注释不可用的实例。不同于传统的方法,我们提出了ConfMix,第一个方法,介绍了一个基于区域级检测置信度的样本混合策略,用于自适应对象检测器学习。我们将目标样本的局部区域与源图像混合,该区域对应于最有信心的伪检测,并应用额外的一致性损失项以逐渐适应目标数据分布。为了鲁棒地定义一个区域的置信度分数,我们利用每个伪检测的置信度分数,该伪检测占检测器相关的置信度和限界框不确定性。此外,我们提出了一种新的伪标签计划,逐步过滤的伪目标检测使用的置信度,从宽松到严格的方式沿训练。我们对三个数据集进行了广泛的实验,其中两个数据集的性能达到了最先进的水平,另一个数据集的性能接近有监督的目标模型。代码可从以下网址获得:https://github.com/giuliomattolin/ConfMix。
2022-10-20 cs.CV
Comparative study of motion detection methods for video surveillance systems
本研究的目的是比较几种单静态相机的变化检测方法,并确定在室内和室外场景中不同的复杂环境和背景的最佳方法。为此,我们使用CDnet视频数据集作为基准,其中包含许多具有挑战性的问题,从基本的简单场景到受恶劣天气和动态背景影响的复杂场景。12个变化检测方法,从简单的时间差分到更复杂的方法,进行了测试,并使用了几个性能指标来精确地评估结果。由于大多数所考虑的方法以前没有在最近的大规模数据集上进行过评估,因此这项工作比较了这些方法以填补文献中的不足,因此与以前的比较评估相比,这项评估是互补的。我们的实验结果表明,对于所有具有挑战性的情况,没有完美的方法,每种方法在某些情况下表现良好,在其他情况下失败。然而,这项研究使用户能够确定最适合其需求的方法。
2018-04-16 cs.CV
Confidence Guided Stereo 3D Object Detection with Split Depth Estimation
University of Toronto Institute for Aerospace Studies(多伦多大学航空航天研究所)
准确可靠的3D目标检测对于安全自动驾驶至关重要。尽管最近的发展,基于立体的方法和基于激光雷达的方法之间的性能差距仍然相当大。准确的深度估计对于基于立体的3D目标检测方法的性能是至关重要的,特别是对于与前景中的对象相关联的那些像素。此外,基于立体的方法遭受深度估计精度的高变化,这在目标检测流水线中通常不被考虑。为了解决这两个问题,我们提出了CG-立体声,一个置信度引导的立体3D目标检测流水线,它在深度估计过程中对前景和背景像素使用单独的解码器,并利用来自深度估计网络的置信度估计作为3D对象检测器中的软注意力机制。我们的方法在KITTI基准上优于所有最先进的基于立体的3D探测器。
2020-03-11 cs.CV
Comparative Analysis of YOLOv9, YOLOv10 and RT-DETR for Real-Time Weed Detection
University of Hohenheim(霍恩海姆大学)
本文对比评估了YOLOv9、YOLOv10和RT-DETR在智能喷洒杂草检测任务中的性能,基于mAP和推理时间分析了不同模型变体与分辨率的权衡,为高效智能喷洒系统的模型选择提供指导。
2025-01-31 cs.CV
Adaptive Confidence Threshold for ByteTrack in Multi-Object Tracking
Gwangju Institute of Science and Technology(光州科学技术院);Pusan National University(釜山国立大学)
针对 ByteTrack 使用固定置信度阈值区分高低置信度检测的局限,提出基于整体检测信息动态调整阈值的方法,在保持运行时间的同时提升多目标跟踪效果。
2023-12-06 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
The challenge of simultaneous object detection and pose estimation: a comparative study
University of Alcalá(阿尔卡拉大学)
检测物体并估计其姿态仍然是计算机视觉研究界的主要挑战之一。在定位对象和估计它们的视点之间存在折衷。理想情况下,检测器需要是视图不变的,而姿态估计过程应该能够向类别级别泛化。这项工作是对使用深度学习模型同时解决这两个问题的探索。为此,我们提出了三种新的深度学习架构,它们能够执行联合检测和姿态估计,在这里我们逐渐将这两项任务解耦。我们还研究了姿态估计问题是否应该作为分类或回归问题来解决,这仍然是计算机视觉界的一个悬而未决的问题。我们详细介绍了我们所有的解决方案和方法,目前定义了这个问题的最先进的比较分析。我们使用PASCAL3D+和ObjectNet3D数据集,提出了全面的实验评估和主要结果。通过所提出的模型,我们在两个数据集中实现了最先进的性能。
2018-01-24 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
CRFace: Confidence Ranker for Model-Agnostic Face Detection Refinement
Microsoft Cloud&AI(微软云与人工智能部门)
人脸检测是许多下游人脸应用的基本问题,并且对更快,更准确但支持更高分辨率的人脸检测器的需求不断增加。最近的智能手机可以以8K分辨率录制视频,但由于锚点大小和训练数据,许多现有的人脸检测器仍然失败。我们分析了失败的情况下,观察到大量的正确的预测框不正确的信心。为了校准这些置信度,我们提出了一个置信度排名网络与成对的排名损失重新排名预测的置信度在同一图像中的本地。我们的置信度排名器是模型不可知的,因此我们可以在训练过程中通过从多个人脸检测器中选择对来增加数据,并在测试过程中推广到各种人脸检测器。在WiderFace上,我们在单尺度上实现了最高的AP,我们的AP与以前的多尺度方法相比具有竞争力,同时速度明显更快。在8K分辨率上,我们的方法解决了GPU内存问题,并允许我们间接地在8K上进行训练。我们收集了8K分辨率的测试集来展示改进,我们将发布我们的测试集作为未来研究的新基准。
2021-03-12 cs.CV
SCTracker: Multi-object tracking with shape and confidence constraints
Fuzhou University(福州大学)
本文提出 SCTracker,通过形状约束的交并比距离计算代价矩阵和基于检测置信度的卡尔曼滤波更新运动状态,解决了多目标跟踪中重叠和低置信度检测导致的关联错误问题,提升了跟踪性能。
2023-05-16 cs.CV
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
Cutting-Edge Detection of Fatigue in Drivers: A Comparative Study of Object Detection Models
University of Queensland(昆士兰大学)
本文比较了YOLOv5至YOLOv8等目标检测模型在驾驶员疲劳实时检测中的性能,发现YOLOv8在准确性与速度间取得最佳平衡,并通过数据增强与模型优化提升了系统对不同驾驶环境的适应性。
2024-10-19 cs.CV cs.RO
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
Semantic Segmentation Refinement by Monte Carlo Region Growing of High Confidence Detections
Marquette University(马凯特大学)
尽管最近使用全卷积网络进行了改进,但一般来说,由大多数最先进的语义分割方法产生的分割并未显示出对对象边界的令人满意的粘附。我们提出了一种方法来细化这种深度学习模型生成的分割结果。我们的方法将像素密集分割网络生成的置信度分数作为输入,并重新标记置信度较低的像素。重新标记方法采用区域生长机制,将这些像素聚合到具有高置信度分数和相似外观的相邻区域。为了纠正语义分割算法在高置信度下错误分类的像素标签,我们通过对区域种子进行蒙特卡罗采样来生成多个区域生长步骤。我们的方法提高了最先进的完全卷积语义分割方法在公开可用的COCO和PASCAL数据集上的准确性,并且在精细注释的DAVIS数据集的选定序列上显示出明显更好的结果。
2018-02-21 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
Exploiting Low-confidence Pseudo-labels for Source-free Object Detection
University of Science and Technology of China(中国科学技术大学)
针对无源目标检测中高置信度伪标签导致信息丢失的问题,提出LPU模块结合PST与LSCL技术充分利用低置信度伪标签,在五个跨域基准上达到SOTA性能。
2023-10-19 cs.CV
Acquisition of Localization Confidence for Accurate Object Detection
Peking University(北京大学);Megvii Inc. (Face++)(旷视科技(Face++));Toutiao AI Lab(今日头条人工智能实验室);Tsinghua University(清华大学)
现代基于CNN的对象检测器依赖于限界框回归和非最大抑制来定位对象。虽然类别标签的概率自然反映了分类置信度,但不存在本地化置信度。这使得适当局部化的边界框在迭代回归期间退化,甚至在NMS期间被抑制。在本文中,我们提出了IoU-Net学习来预测每个检测到的限界框和匹配的地面实况之间的IoU。网络获得了这种定位的置信度,这通过保留精确定位的边界框来改进NMS过程。此外,提出了一种基于优化的限界框细化方法,其中预测的IoU被制定为目标。在MS-COCO数据集上进行的大量实验表明了IoU-Net的有效性,以及它与几种最先进的目标检测器的兼容性和适应性。
2018-07-30 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 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
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
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
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
Confidence Calibration for Object Detection and Segmentation
Hochschule Ruhr West(鲁尔西部应用技术大学);Elektronische Fahrwerksysteme GmbH(电子底盘系统有限公司)
从神经网络获得的校准置信度估计至关重要,特别是对于安全关键型应用,如自动驾驶或医学图像诊断。然而,尽管置信度校准的任务已经在分类问题上进行了研究,但对目标检测和分割问题的深入研究仍然缺失。因此,本章重点研究了目标检测和分割模型的置信度校准。我们引入了多元置信校准的概念,这是一个众所周知的校准方法的扩展任务的目标检测和分割。这使得一个扩展的置信度校准,也知道额外的功能,如限界框/像素位置,形状信息等,此外,我们扩展了预期的校准误差(ECE)来衡量误校准的目标检测和分割模型。我们研究了MS COCO以及Cityscapes上的几种网络架构,并表明特别是目标检测以及实例分割模型在引入校准定义时本质上是错误校准的。使用我们提出的校准方法,我们已经能够改进校准,使其也对分割掩模的质量产生积极的影响。
2022-06-20 cs.CV stat.ML
Confidence-Aware Document OCR Error Detection
Shift Technology;L3i La Rochelle(拉罗谢尔L3i实验室)
本文提出将 OCR 置信度分数融入 BERT token 嵌入的 ConfBERT,并通过可选噪声调整预训练提升文档 OCR 后错误检测效果。
2024-09-06 cs.AI cs.CL cs.CV
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
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
Multivariate Confidence Calibration for Object Detection
Ruhr West University of Applied Sciences(鲁尔西部应用科学大学);Visteon Electronics GmbH(伟世通电子有限公司)
神经网络的无偏置信度估计是至关重要的,特别是对于安全关键应用。许多方法已经被开发来校准有偏置信估计。虽然有各种各样的分类方法,但目标检测领域尚未得到解决。因此,我们提出了一个新的框架来衡量和校准偏差(或误校准)的目标检测方法的置信度估计。与分类器校准领域相关工作的主要区别在于,我们还使用对象检测器的回归输出的附加信息进行校准。我们的方法允许,第一次,获得校准的信心估计图像位置和框尺度。此外,我们提出了一个新的措施来评估对象探测器的误校准。最后,我们表明,我们开发的方法优于国家的最先进的校准模型的任务,目标检测,并提供可靠的置信度估计在不同的位置和规模。
2020-04-28 cs.CV cs.LG stat.ML
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 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
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
Confidence Trigger Detection: Accelerating Real-time Tracking-by-detection Systems
Columbia University(哥伦比亚大学);Cornell University(康奈尔大学);Pace University(佩斯大学);University of Michigan(密歇根大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);New York University(纽约大学)
本文提出置信度触发检测(CTD)方法,利用跟踪器置信度分数策略性跳过相似帧的目标检测,在保持准确性的同时提升速度,为资源受限环境下的实时跟踪提供了高效且鲁棒的解决方案。
2024-11-13 cs.AI cs.CV cs.LG