肆十二
肆十二

遥感目标检测相关 论文|代码|数据集 汇总

ref：GitHub - SJTU-Thinklab-Det/DOTA-DOAI: This repo is the codebase for our team to participate in DOTA related competitions, including rotation and horizontal detection.

Abstract

This repo is the codebase for our team to participate in DOTA related competitions, including rotation and horizontal detection. We mainly use FPN-based two-stage detector, and it is completed by YangXue and YangJirui.

We also recommend a tensorflow-based rotation detection benchmark, which is led by YangXue.

Performance

DOTA1.0 (Task1)

Model Backbone Training data Val data mAP Model Link Tricks lr schd Data Augmentation GPU Image/GPU Configs
FPN ResNet152_v1d (600,800,1024)->MS DOTA1.0 trainval DOTA1.0 test 78.99 model ALL 2x Yes 2X GeForce RTX 2080 Ti 1 cfgs_dota1.0_res152_v1.py
### DOTA1.0 (Task2)
Model Backbone Training data Val data mAP Model Link Tricks lr schd Data Augmentation GPU Image/GPU Configs
:------------: :------------: :---------: :-----------: :----------: :-----------: :---------: :---------: :---------: :---------: :---------: :---------:
FPN (memory consumption) ResNet152_v1d (600,800,1024)->MS DOTA1.0 trainval DOTA1.0 test 81.23 model ALL 2x Yes 2X Quadro RTX 8000 1 cfgs_dota1.0_res152_v1.py

Visualization

遥感目标检测相关 论文|代码|数据集 汇总_第1张图片

Performance of published papers on DOTA datasets

DOTA1.0 (Task1)

Model Backbone mAP Paper Link Code Link Remark Recommend
FR-O (DOTA) ResNet101 52.93 CVPR2018 MXNet DOTA dataset, baseline ✅
IENet ResNet101 57.14 arXiv:1912.00969 - anchor free
TOSO ResNet101 57.52 ICASSP2020 - geometric transformation
PIoU Loss DLA-34 60.5 ECCV2020 Pytorch IoU loss, anchor free ✅
R2CNN ResNet101 60.67 arXiv:1706.09579 TF scene text, multi-task, different pooled sizes, baseline ✅
RRPN ResNet101 61.01 TMM arXiv:1703.01086 TF scene text, rotation proposals, baseline ✅
Axis Learning ResNet101 65.98 Remote Sensing - single stage, anchor free ✅
MARNet ResNet101 67.19 IJRS - based on scrdet
ICN ResNet101 68.16 ACCV2018 - image cascade, multi-scale ✅
GSDet ResNet101 68.28 TIP - scale reasoning
RADet ResNeXt101 69.09 Remote Sensing - enhanced FPN, mask rcnn
KARNET ResNet50 68.87 CISNRC 2020 - attention denoising, anchor refining
RoI Transformer ResNet101 69.56 CVPR2019 MXNet, Pytorch roi transformer ✅
CAD-Net ResNet101 69.90 TGRS arXiv:1903.00857 - attention
ProbIoU ResNet50 70.04 arXiv:2106.06072 TF gaussian bounding boxes, hellinger distance ✅
A2S-Det ResNet101 70.64 Remote Sensing - label assign
AOOD ResNet101 71.18 Neural Computing and Applications - attention + R-DFPN
Cascade-FF ResNet152 71.80 ICME2020 - refined retinanet + feature fusion
SCPNet Hourglass104 72,20 GRSL - corner points
P-RSDet ResNet101 72.30 Access - anchor free, polar coordinates ✅
BBAVectors ResNet101 72.32 WACV2021 Pytorch keypoint based ✅
ROPDet ResNet101-DCN 72.42 J REAL-TIME IMAGE PR - point set representation
SCRDet ResNet101 72.61 ICCV2019 TF: R2CNN++, IoU-Smooth L1: RetinaNet-based, R3Det-based attention, angular boundary problem ✅
O2-DNet Hourglass104 72.8 ISPRS, arXiv:1912.10694 - centernet, anchor free ✅
HRPNet HRNet-W48 72.83 GRSL - polar
SARD ResNet101 72.95 Access - IoU-based weighted loss
GLS-Net ResNet101 72.96 Remote Sensing - attention, saliency pyramid
ProjBB ResNet101 73.03 Access code, codebase new definition of bounding box
DRN Hourglass104 73.23 CVPR(oral) code centernet, feature selection module, dynamic refinement head, new dataset (SKU110K-R) ✅
FADet ResNet101 73.28 ICIP2019 - attention
MFIAR-Net ResNet152 73.49 Sensors - feature attention, enhanced FPN
CFC-NET ResNet101 73.50 arXiv:2101.06849 Pytorch critical feature, label assign, refine ✅
R3Det ResNet152 73.74 AAAI2021 TF, Pytorch refined single stage, feature alignment ✅
RSDet ResNet152 74.10 AAAI2021 TF quadrilateral bbox, angular boundary problem ✅
SegmRDet ResNet50 74.14 Neurocomputing - segmentation-baed, new training and inference mechanism
Gliding Vertex ResNet101 75.02 TPAMI arXiv:1911.09358 Pytorch quadrilateral bbox ✅
EFN U-Net 75.27 Preprints - Field-based ✅
SAR ResNet152 75.26 Access - boundary problem ✅
TricubeNet Hourglass104 75.26 arXiv:2104.11435 code 2D tricube kernel ✅
Mask OBB ResNeXt-101 75.33 Remote Sensing - attention, multi-task ✅
- DarkNet 75.5 TGRS - angle classification
FFA ResNet101 75.7 ISPRS - enhanced FPN, rotation proposals
CBDA-Net DLA-34-DCN 75.74 TGRS - dual attention
APE ResNeXt-101(32x4) 75.75 TGRS arXiv:1906.09447 - adaptive period embedding, length independent IoU (LIIoU) ✅
R4Det ResNet152 75.54 Image Vis Comput - feature recursion and refinement
F3-Net ResNet152 76.02 Remote Sensing - feature fusion and filtration
CenterMap OBB ResNet101 76.03 TGRS - center-probability-map
CSL ResNet152 76.17 ECCV2020 TF: CSL_RetinaNet, Pytorch: YOLOv5_DOTA_OBB (CSL) angular boundary problem ✅
MRDet ResNet101 76.24 arXiv:2012.13135 - arbitrary-oriented rpn, multiple subtasks
AFC-Net ResNet101 76.27 Neurocomputing - adaptive feature concatenate
OWSR Ensemble (ResNet101 + ResNeXt101 + mdcn-ResNet101) 76.36 CVPR2019 WorkShop TGRS - enhanced FPN
OPLD ResNet101 76.43 J-STARS Pytorch boundary problem, point-guided ✅
R3Det++ ResNet152 76.56 arXiv:2004.13316 TF refined single stage, feature alignment, denoising ✅
PolarDet ResNet101 76.64 IJRS arXiv:2010.08720 - polar, center-semantic ✅
Beyond Bounding-Box ResNet152 76.67 CVPR2021 Pytorch point-based, reppoints ✅
SCRDet++ ResNet101 76.81 arXiv:2004.13316 TF angular boundary problem, denoising ✅
DAL+S2A-Net ResNet50 76.95 AAAI2021 Pytorch label assign ✅
DCL ResNet152 77.37 CVPR2021 TF boundary problem ✅
MSFF ResNet50 77.46 JSTARS - rotation invariance features
RIDet ResNet50 77.62 arXiv:2103.11636 Pytorch, TF quad., representation ambiguity ✅
RDD ResNet101 77.75 Remote Sensing Pytorch rotation-decoupled
OSKDet ResNet101 77.81 arXiv:2104.08697 - keypoint localization (very similar to FR-Est)
CG-Net ResNet101 77.89 arXiv:2103.11399 Pytorch attention
Oriented RepPoints ResNet101 78.12 arXiv:2105.11111 Pytorch point-based, reppoints ✅
FR-Est ResNet101-DCN 78.49 TGRS - point-based estimator ✅
S2A-Net ResNet50/ResNet101 79.42/79.15 TGRS Pytorch refined single stage, feature alignment ✅
O2DETR ResNet50 79.66 arXiv:2106.03146 - deformable detr, transformer ✅
ROSD ResNet101 79.76 Access - refined single stage, feature alignment
SARA ResNet50/ResNet101 79.91/79.13 Remote Sensing - self-adaptive aspect ratio anchor, refine
ReDet ReR50-ReFPN 80.10 CVPR2021 Pytorch rotation-equivariant, rotation-invariant roI align ✅
GWD ResNet152 80.23 ICML2021 TF boundary discontinuity, square-like problem, gaussian wasserstein distance loss ✅
KLD ResNet152 80.63 arXiv:2106.01883 TF Kullback-Leibler divergence, high-precision, scale invariance ✅

DOTA1.0 (Task2)

Model Backbone mAP Paper Link Code Link Remark Recommend
FR-H (DOTA) ResNet101 60.46 CVPR2018 MXNet DOTA dataset, baseline ✅
Deep Active Learning ResNet18 64.26 arXiv:2003.08793 - CenterNet, Deep Active Learning ✅
SBL ResNet50 64.77 arXiv:1810.08103 - single stage
CenterFPANet ResNet18 65.29 HPCCT & BDAI 2020 arXiv:2009.03063 - light-weight
MARNet ResNet101 71.73 IJRS - based on scrdet
FMSSD VGG16 72.43 TGRS - IoU-based weighted loss, enhanced FPN
ICN ResNet101 72.45 ACCV2018 - image cascade, multi-scale ✅
IoU-Adaptive R-CNN ResNet101 72.72 Remote Sensing - IoU-based weighted loss, cascade
EFR VGG16 73.49 Remote Sensing Pytorch enhanced FPN
AF-EMS ResNet101 73.97 Remote Sensing - scale-aware feature, anchor free
SCRDet ResNet101 75.35 ICCV2019 TF attention, angular boundary problem ✅
FADet ResNet101 75.38 ICIP2019 - attention
MFIAR-Net ResNet152 76.07 Sensors - feature attention, enhanced FPN
F3-Net ResNet152 76.48 Remote Sensing - feature fusion and filtration
Mask OBB ResNeXt-101 76.98 Remote Sensing - attention, multi-task ✅
CenterMap OBB ResNet101 77.33 TGRS - center-probability-map
ASSD VGG16 77.8 TGRS - feature aligned
AFC-Net ResNet101 78.06 Neurocomputing - adaptive feature concatenate
CG-Net ResNet101 78.26 arXiv:2103.11399 Pytorch attention
OPLD ResNet101 78.35 J-STARS Pytorch boundary problem, point-guided ✅
A2RMNet ResNet101 78.45 Remote Sensing - attention, enhanced FPN, different pooled sizes
OWSR Ensemble (ResNet101 + ResNeXt101 + mdcn-ResNet101) 78.79 CVPR2019 WorkShop TGRS - enhanced FPN
Parallel Cascade R-CNN ResNeXt-101 78.96 Journal of Physics: Conference Series - cascade rcnn
DM-FPN ResNet-Based 79.27 Remote Sensing - enhanced FPN
SCRDet++ ResNet101 79.35 arXiv:2004.13316 TF denoising ✅

DOTA1.5 (Task1)

Model Backbone mAP Paper Link Code Link Remark Recommend
APE ResNeXt-101(32x4) 78.34 TGRS arXiv:1906.09447 - length independent IoU (LIIoU) ✅
OWSR Ensemble (ResNet101 + ResNeXt101 + mdcn-ResNet101) 76.60 TGRS CVPR2019 WorkShop - enhanced FPN
ReDet ReR50-ReFPN 76.80 CVPR2021 Pytorch rotation-equivariant, rotation-invariant RoI Align, ✅

DOTA1.5 (Task2)

Model Backbone mAP Paper Link Code Link Remark Recommend
CDD-Net ResNet101 61.3 GRSL - attention
ReDet ReR50-ReFPN 78.08 CVPR2021 Pytorch rotation-equivariant, rotation-invariant RoI Align, ✅
OWSR Ensemble (ResNet101 + ResNeXt101 + mdcn-ResNet101) 79.50 TGRS CVPR2019 WorkShop - enhanced FPN

Related Articles

Model Paper Link Code Link Remark Recommend
SSSDET ICIP2019 arXiv:1909.00292 - vehicle detection, lightweight
AVDNet GRSL arXiv:1907.07477 - vehicle detection, small object
ClusDet ICCV2019 Caffe2 object cluster regions ✅
DMNet CVPR2020 WorkShop - object cluster regions ✅
AdaZoom arXiv:2106.10409 - object cluster regions, reinforcement learning ✅
OIS arXiv:1911.07732 related Pytorch code Oriented Instance Segmentation ✅
ISOP IGARSS2020 - Oriented Instance Segmentation
LR-RCNN arXiv:2005.14264 - vehicle detection -
GRS-Det TGRS - ship detection, rotation fcos -
DRBox arXiv:1711.09405 Caffe sar object detection ✅
DRBox-v2 TGRS TF sar object detection -
RAPiD arXiv:2005.11623 Pytorch overhead fisheye images -
OcSaFPN arXiv:2012.09859 - denoising -
CR2A-Net TGRS - ship detection -
- TGRS - knowledge distillation ✅
CHPDet arXiv:2101.11189 - new ship dataset ✅

Other Rotation Detection Codes

Base Method Code Link
RetinaNet RetinaNet_Tensorflow_Rotation
YOLOv3 rotate-yolov3-Pytorch, YOLOv3-quadrangle-Pytorch, yolov3-polygon-Pytorch
YOLOv5 rotation-yolov5-Pytorch, YOLOv5_DOTA_OBB (CSL)
CenterNet R-CenterNet-Pytorch

Dataset

Name Categories Annotation Paper Download Remark
DOTA1.0 15 oriented BB CVPR2018 Link
DOTA1.5 16 oriented BB CVPR2018 Link
DOTA2.0 18 oriented BB CVPR2018 Link
iSAID 15 instance CVPRW2019 Link
AI-TOD 8 horizontal BB ICPR2021 Link
DIOR 20 horizontal BB ISPRS Baidu Drive (ibhm)
NWPU VHR-10 10 horizontal BB TGRS Link
UCAS-AOD 2 oriented BB ICIP Link, Baidu Drive (r2mr)
UAV-ROD 1 oriented BB - Link Car
HRRSD 13 horizontal BB TGRS Link
RSOD 4 horizontal BB TGRS Link
SAR-Ship-Dataset 1 horizontal BB Remote Sensing Link SAR Ship
SSDD 1 horizontal BB BIGSARDATA Baidu Drive (fyh0) SAR Ship
SSDD+ 1 oriented BB - Baidu Drive (oh6x) SAR Ship
AIR-SARShip-1.0 1 horizontal BB 雷达学报 Link SAR Ship
HRSID 1 instance - Link SAR Ship
HRSC2016 4 oriented BB ICPR Baidu Drive (rfg6) Ship
FGSD 4 oriented BB arXiv:2003.06832 - Ship
FGSD2021 20 oriented BB arXiv:2101.11189 - Ship
DLR-3K 2 oriented BB GRSL Baidu Drive (bh71) Vehicle
VEDAI 9 oriented BB JVCIR Link Vehicle
COWC 1 one dot ECCV2016 Link Vehicle
UVSD 1 instance Remote Sensing Link Vehicle
EAGLE 2 oriented BB arXiv:2007.06124 Link Vehicle
RarePlanes 1 to 110 instance arXiv:2006.02963 Link Plane

For more remote sensing datasets of different research directions, please visit here.

你可能感兴趣的:(目标检测)

  • 【目标检测数据集】卡车数据集1073张VOC+YOLO格式 熬夜写代码的平头哥∰ 目标检测YOLO人工智能
    数据集格式：PascalVOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)图片数量(jpg文件个数)：1073标注数量(xml文件个数)：1073标注数量(txt文件个数)：1073标注类别数：1标注类别名称:["truck"]每个类别标注的框数：truck框数=1120总框数：1120使用标注工具：labelImg标注
  • 番茄西红柿叶子病害分类数据集12882张11类别 futureflsl 数据集分类数据挖掘人工智能
    数据集类型：图像分类用，不可用于目标检测无标注文件数据集格式：仅仅包含jpg图片，每个类别文件夹下面存放着对应图片图片数量(jpg文件个数)：12882分类类别数：11类别名称:["Bacterial_Spot_Bacteria","Early_Blight_Fungus","Healthy","Late_Blight_Water_Mold","Leaf_Mold_Fungus","Powdery
  • [数据集][目标检测]汽车头部尾部检测数据集VOC+YOLO格式5319张3类别 FL1623863129 数据集目标检测汽车YOLO
    数据集制作单位：未来自主研究中心(FIRC)版权单位：未来自主研究中心(FIRC)版权声明：数据集仅仅供个人使用，不得在未授权情况下挂淘宝、咸鱼等交易网站公开售卖,由此引发的法律责任需自行承担数据集格式：PascalVOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)图片数量(jpg文件个数)：5319标注数量(xml文件
  • CV、NLP、数据控掘推荐、量化 海的那边- AI算法自然语言处理人工智能
    下面是对CV（计算机视觉）、NLP（自然语言处理）、数据挖掘推荐和量化的简要概述及其应用领域的介绍：1.CV（计算机视觉，ComputerVision）定义：计算机视觉是一门让计算机能够从图像或视频中提取有用信息，并做出决策的学科。它通过模拟人类的视觉系统来识别、处理和理解视觉信息。主要任务：图像分类：识别图像中的物体并分类，比如猫、狗、车等。目标检测：在图像或视频中定位并识别多个对象，如人脸检测
  • 【目标检测数据集】番茄叶片病害数据集13940张9类VOC+YOLO格式 熬夜写代码的平头哥∰ 数据集目标检测YOLO目标跟踪
    数据集格式：PascalVOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)图片数量(jpg文件个数)：13946标注数量(xml文件个数)：13946标注数量(txt文件个数)：13946标注类别数：9标注类别名称:["EarlyBlight","Healthy","LateBlight","LeafMiner","Le
  • [数据集][目标检测]血细胞检测数据集VOC+YOLO格式2757张4类别 FL1623863129 数据集目标检测YOLO人工智能
    数据集格式：PascalVOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)图片数量(jpg文件个数)：2757标注数量(xml文件个数)：2757标注数量(txt文件个数)：2757标注类别数：4标注类别名称:["Platelets","RBC","WBC","sicklecell"]每个类别标注的框数：Platelet
  • 目标检测YOLO系列从入门到精通技术详解100篇-【目标检测】工业相机 格图素书 数码相机目标检测人工智能
    目录知识储备深度相机1TOF2双目视觉3结构光4智能门锁应用5手机应用算法原理相机的成像与标定模型相机标定的实施·标定过程的算法实施相机标定的扩展CCD工业相机、镜头倍率及相关参数计算方法知识储备深度相机1TOF1.1Kinectv2Kinectv2是Microsoft在2014年发售的，如图1-1所示。相比于Kinectv1在硬件和软件上作出了很大的进化，且在深度测量的系统和非系统误差方面表现出
  • 【小贪】项目实战——Zero-shot根据文字提示分割出图片目标掩码 贪钱算法还我头发 #DeepLearning#ComputerVisionAI目标检测深度学习python语义分割Zero-shot
    目标描述给定RGB视频或图片，目标是分割出图像中的指定目标掩码。我们需要复现两个Zero-shot的开源项目，分别为IDEA研究院的GroundingDINO和Facebook的SAM。首先使用目标检测方法GroundingDINO，输入想检测目标的文字提示，可以获得目标的anchorbox。将上一步获得的box信息作为SAM的提示，分割出目标mask。具体效果如下（测试数据来自VolumeDef
  • yolov5 +gui界面+单目测距 实现对图片视频摄像头的测距 毕设宇航 QQ767172261yolov5单目测距
    可实现对图片，视频，摄像头的检测项目概述本项目旨在实现一个集成了YOLOv5目标检测算法、图形用户界面（GUI）以及单目测距功能的系统。该系统能够对图片、视频或实时摄像头输入进行目标检测，并估算目标的距离。通过结合YOLOv5的强大检测能力和单目测距技术，系统能够在多种应用场景中提供高效、准确的目标检测和测距功能。技术栈YOLOv5：用于目标检测的深度学习模型。OpenCV：用于图像处理和单目测距
  • 目标检测-YOLOv3 wydxry 深度学习目标检测YOLO深度学习
    YOLOv3介绍YOLOv3(YouOnlyLookOnce,Version3)是YOLO系列目标检测模型的第三个版本，相较于YOLOv2有了显著的改进和增强，尤其在检测速度和精度上表现优异。YOLOv3的设计目标是在保持高速的前提下提升检测的准确性和稳定性。下面是对YOLOv3改进和优势的介绍，以及YOLOv3核心部分的代码展示。相比YOLOv2的改进与优势多尺度特征金字塔YOLOv3引入了FP
  • SSD目标检测系统 月见樽
    首发于个人博客系统结构system.pngSSD识别系统也是一种单步物体识别系统，即将提取物体位置和判断物体类别融合在一起进行，其最主要的特点是识别器用于判断物体的特征不仅仅来自于神经网络的输出，还来自于神经网络的中间结果。该系统分为以下几个部分：神经网络部分：用作特征提取器，提取图像特征识别器：根据神经网络提取的特征，生成包含物品位置和类别信息的候选框（使用卷积实现）后处理：对识别器提取出的候选
  • 深度学习目标检测入门COCO数据集 日暮途远z 深度学习目标检测人工智能
    常见数据集类型：COCO数据集：Pytorch加载COCO数据集：COCO数据集的读取COCO_dataset=torchvision.datasets.CocoDetection(root="./dataset/val2017",annFile="./instances_val2017/instances_val2017.json")root(strorpathlib.Path)–Rootdir
  • [数据集][目标检测]街道乱堆垃圾检测数据集VOC+YOLO格式94张1类别 FL1623863129 数据集目标检测YOLO人工智能
    数据集格式：PascalVOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)图片数量(jpg文件个数)：94标注数量(xml文件个数)：94标注数量(txt文件个数)：94标注类别数：1标注类别名称:["baolu"]每个类别标注的框数：baolu框数=107总框数：107使用标注工具：labelImg标注规则：对类别进行
  • YOLOv8改进 | 检测头篇 | YOLOv8引入DynamicHead检测头 小李学AI YOLOv8有效涨点专栏YOLO深度学习目标检测计算机视觉机器学习人工智能
    1.DynamicHead描述1.1摘要：在目标检测中，定位和分类相结合的复杂性导致了各种方法的蓬勃发展。以往的工作试图提高各种目标检测头的性能，但未能呈现出统一的观点。本文根据目标检测的特点，推导了一种新的动态头部框架，将目标检测头部与注意力统一起来。该方法通过在特征层次间、空间位置间和输出通道内协调组合多种自注意机制，在不增加计算开销的情况下显著提高了目标检测头的表示能力。进一步的实验表明，本
  • 目标检测-YOLOv1 wydxry 深度学习目标检测YOLO人工智能
    YOLOv1介绍YOLOv1（YouOnlyLookOnceversion1）是一种用于目标检测的深度学习算法，由JosephRedmon等人于2016年提出。它基于单个卷积神经网络，将目标检测任务转化为一个回归问题，通过在图像上划分网格并预测每个网格中是否包含目标以及目标的位置和类别来实现目标检测。YOLOv1的主要特点包括：快速的检测速度：相比于传统的目标检测算法，YOLOv1具有更快的检测速
  • [数据集][目标检测]人脸口罩佩戴目标检测数据集VOC+YOLO格式8068张3类别 FL1623863129 数据集目标检测YOLO目标跟踪
    数据集格式：PascalVOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)图片数量(jpg文件个数)：8068标注数量(xml文件个数)：8068标注数量(txt文件个数)：8068标注类别数：3标注类别名称:["face_with_mask","face_without_mask","mask"]每个类别标注的框数：f
  • 葡萄检测-目标检测数据集（包括VOC格式、YOLO格式） 数据集_深度学习 目标检测YOLO人工智能计算机视觉葡萄
    葡萄检测-目标检测数据集（包括VOC格式、YOLO格式）数据集：链接：https://pan.baidu.com/s/1YMwAaSJc8H5SI0f8RVSidw?pwd=iygs提取码：iygs数据集信息介绍：共有1646张图像和一一对应的标注文件标注文件格式提供了两种，包括VOC格式的xml文件和YOLO格式的txt文件。标注的对象共有以下几种：[‘grape’]标注框的数量信息如下：（标注
  • OpenCV项目实战-深度学习去阴影-图像去阴影 阿利同学 opencv深度学习人工智能阴影去除图像去阴影
    往期热门博客项目回顾：计算机视觉项目大集合改进的yolo目标检测-测距测速路径规划算法图像去雨去雾+目标检测+测距项目交通标志识别项目yolo系列-重磅yolov9界面-最新的yolo姿态识别-3d姿态识别深度学习小白学习路线//正文开始！图像去阴影算法旨在改善图像质量并恢复阴影下物体的真实颜色与亮度这对于许多计算机视觉任务如物体识别、跟踪以及增强现实等至关重要。以下是一些图像去阴影算法的基本概述
  • 目标检测-YOLOv4 wydxry 深度学习目标检测YOLO目标跟踪
    YOLOv4介绍YOLOv4是YOLO系列的第四个版本，继承了YOLOv3的高效性，并通过大量优化和改进，在目标检测任务中实现了更高的精度和速度。相比YOLOv3，YOLOv4在框架设计、特征提取、训练策略等方面进行了全面升级。它在保持实时检测的同时，显著提升了检测性能，尤其在复杂场景中的表现尤为出色。相比YOLOv3的改进与优势改进的Backbone(CSPDarknet-53)YOLOv4使用
  • [数据集][目标检测]井盖丢失未盖破损检测数据集VOC+YOLO格式2890张5类别 FL1623863129 数据集目标检测YOLO人工智能
    数据集格式：PascalVOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)图片数量(jpg文件个数)：2890标注数量(xml文件个数)：2890标注数量(txt文件个数)：2890标注类别数：5标注类别名称:["broke","circle","good","lose","uncovered"]每个类别标注的框数：br
  • YOLOv8改进 更换轻量级网络结构 学yolo的小白 UpgradeYOLOv8进阶YOLO目标检测深度学习
    一、GhostNet论文论文地址：1911.11907.pdf(arxiv.org)二、GhostNet结构GhostNet是一种高效的目标检测网络，具有较低的计算复杂度和较高的准确性。该网络采用了轻量级的架构，可以在计算资源有限的设备上运行，并能够快速地实时检测图像中的目标物体。GhostNet基于MobileNetV3的设计思路，采用了Ghost模块来减少网络参数数量，从而减少计算量并提高模型
  • 【Python】成功解决TypeError: list indices must be integers or slices, not str 高斯小哥 BUG解决方案合集pythonlist新手入门学习debug
    【Python】成功解决TypeError:listindicesmustbeintegersorslices,notstr欢迎进入我的个人主页，我是高斯小哥！博主档案：广东某985本硕，SCI顶刊一作，深耕深度学习多年，熟练掌握PyTorch框架。技术专长：擅长处理各类深度学习任务，包括但不限于图像分类、图像重构(去雾\去模糊\修复)、目标检测、图像分割、人脸识别、多标签分类、重识别(行人\车辆
  • LeYOLO 用于目标检测的新型可扩展和高效CNN架构 | 最新轻量化SOTA! 5GFLOP下无对手！ 迪菲赫尔曼 YOLOv8改进实战目标检测cnn架构pytorch深度学习轻量化
    本改进已集成到YOLOv8-Magic框架。论文地址：https://arxiv.org/pdf/2406.14239代码地址：https://github.com/LilianHollard/LeYOLO/tree/main在深度神经网络中，计算效率对于目标检测至关重要，尤其是在新型模型更倾向于速度而非计算效率（浮点运算次数，FLOP）的情况下。这种演变在一定程度上忽视了嵌入式和面向移动的AI目
  • Python 使用 Detectron2 进行目标检测 (Detectron2, CenterNet2, Detic) Eric Woo X PythonAIUbuntupython目标检测开发语言
    代码说明代码主要是一个用来演示如何使用Detectron2进行目标检测的脚本。它可以从摄像头或视频文件中读取图像，并应用指定的配置文件进行目标检测。其中，Detectron2结合了CenterNet2和Detic进行目标检测。主要库介绍Detectron2Detectron2是由FacebookAIResearch开发的一个用于目标检测和实例分割的开源库。它提供了一系列预训练模型和灵活的配置系统，
  • Transformer+目标检测，这一篇入门就够了 BIT可达鸭 ▶深度学习-计算机视觉transformer深度学习目标检测计算机视觉自然语言处理
    VisionTransformerforObjectDetection本文作者：Encoder-Decoder简介：Encoder-Decoder的缺陷：Attention机制：Self-Attention机制：Multi-HeadAttention：Transformer结构：图像分类之ViT：图像分类之PyramidViT：目标检测之DETR：目标检测之DeformableDETR：本文作者：
  • 目标检测-YOLOv2 wydxry 深度学习目标检测YOLO人工智能
    YOLOv2介绍YOLOv2（YouOnlyLookOnceversion2）是一种用于目标检测的深度学习模型，由JosephRedmon等人于2016年提出，并详细论述在其论文《YOLO9000:Better,Faster,Stronger》中。YOLOv2在保持高速检测的同时，显著提升了检测的精度和泛化能力，成为实时目标检测领域的重要算法之一。核心原理YOLOv2的核心原理是将目标检测问题转化
  • 【计算机视觉前沿研究 热点 顶会】ECCV 2024中目标检测有关的论文 平安顺遂事事如意 顶刊顶会论文合集计算机视觉目标检测人工智能3d目标跟踪
    整值训练和尖峰驱动推理脉冲神经网络用于高性能和节能的目标检测与人工神经网络(ANN)相比，脑激励的脉冲神经网络(SNN)具有生物合理性和低功耗的优势。由于SNN的性能较差，目前的应用仅限于简单的分类任务。在这项工作中，我们专注于弥合人工神经网络和神经网络在目标检测方面的性能差距。我们的设计围绕着网络架构和尖峰神经元。当行人检测遇到多模态学习时：通才模型和基准数据集近年来，利用不同传感器模态(如RG
  • 目标检测——YOLOv8模型预测结果 张飞飞飞飞飞 目标检测YOLO人工智能
    fromultralyticsimportYOLOmodel_path=r'/home/zhangh/project1/workproject/YOLOv8/ultralytics/runs/train/2024723_yolov8n5/weights/best.pt'img_path=r'worker_data/images/val/%E9%93%B2%E6%96%97%E5%9D%90%E4%
  • 基于yolov8的口罩佩戴检测系统python源码+onnx模型+评估指标曲线+精美GUI界面 FL1623863129 深度学习python
    【算法介绍】基于YOLOv8的口罩佩戴检测系统是一款利用深度学习技术，特别是YOLOv8算法，实现高效、准确检测人脸是否佩戴口罩的系统。YOLOv8作为YOLO系列算法的最新版本，在检测速度和准确性上进行了显著优化，能够实时处理图像和视频数据。该系统通过训练大量标注了人脸和口罩状态（包括戴口罩、未戴口罩）的图片数据，构建了一个强大的目标检测模型。在实际应用中，该系统可以部署在公共场所如机场、车站、
  • [数据集][目标检测]卫星遥感舰船检测数据集VOC+YOLO格式2238张17类别 FL1623863129 数据集目标检测YOLO人工智能
    数据集格式：PascalVOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)图片数量(jpg文件个数)：2238标注数量(xml文件个数)：2238标注数量(txt文件个数)：2238标注类别数：17标注类别名称:[“AircraftCarrier”,“AuxiliaryShips”,“Cargo”,“Commander”
  • 基本数据类型和引用类型的初始值 3213213333332132 java基础
    package com.array; /** * @Description 测试初始值 * @author FuJianyong * 2015-1-22上午10:31:53 */ public class ArrayTest { ArrayTest at; String str; byte bt; short s; int i; long
  • 摘抄笔记--《编写高质量代码：改善Java程序的151个建议》 白糖_ 高质量代码
            记得3年前刚到公司，同桌同事见我无事可做就借我看《编写高质量代码：改善Java程序的151个建议》这本书，当时看了几页没上心就没研究了。到上个月在公司偶然看到，于是乎又找来看看，我的天，真是非常多的干货，对于我这种静不下心的人真是帮助莫大呀。           看完整本书，也记了不少笔记
  • 【备忘】Django 常用命令及最佳实践 dongwei_6688 django
    注意：本文基于 Django 1.8.2 版本   生成数据库迁移脚本（python 脚本） python manage.py makemigrations polls  说明：polls 是你的应用名字，运行该命令时需要根据你的应用名字进行调整   查看该次迁移需要执行的 SQL 语句（只查看语句，并不应用到数据库上）： python manage.p
  • 阶乘算法之一N! 末尾有多少个零 周凡杨 java算法阶乘面试效率
                                     &n
  • spring注入servlet g21121 Spring注入
    传统的配置方法是无法将bean或属性直接注入到servlet中的，配置代理servlet亦比较麻烦，这里其实有比较简单的方法，其实就是在servlet的init()方法中加入要注入的内容： ServletContext application = getServletContext(); WebApplicationContext wac = WebApplicationContextUtil
  • Jenkins 命令行操作说明文档 510888780 centos
    假设Jenkins的URL为http://22.11.140.38:9080/jenkins/ 基本的格式为 java 基本的格式为 java -jar jenkins-cli.jar [-s JENKINS_URL] command [options][args] 下面具体介绍各个命令的作用及基本使用方法 1. &nb
  • UnicodeBlock检测中文用法 布衣凌宇 UnicodeBlock
    /**  * 判断输入的是汉字  */ public static boolean isChinese(char c) {        Character.UnicodeBlock ub = Character.UnicodeBlock.of(c);    
  • java下实现调用oracle的存储过程和函数 aijuans javaorale
    1.创建表：STOCK_PRICES     2.插入测试数据：     3.建立一个返回游标：  PKG_PUB_UTILS   4.创建和存储过程：P_GET_PRICE     5.创建函数：   6.JAVA调用存储过程返回结果集 JDBCoracle10G_INVO
  • Velocity Toolbox antlove 模板toolboxvelocity
    velocity.VelocityUtil package velocity; import org.apache.velocity.Template; import org.apache.velocity.app.Velocity; import org.apache.velocity.app.VelocityEngine; import org.apache.velocity.c
  • JAVA正则表达式匹配基础 百合不是茶 java正则表达式的匹配
      正则表达式;提高程序的性能,简化代码,提高代码的可读性,简化对字符串的操作   正则表达式的用途; 字符串的匹配 字符串的分割 字符串的查找 字符串的替换       正则表达式的验证语法     [a] //[]表示这个字符只出现一次 ,[a] 表示a只出现一
  • 是否使用EL表达式的配置 bijian1013 jspweb.xmlELEasyTemplate
            今天在开发过程中发现一个细节问题，由于前端采用EasyTemplate模板方法实现数据展示，但老是不能正常显示出来。后来发现竟是EL将我的EasyTemplate的${...}解释执行了，导致我的模板不能正常展示后台数据。         网
  • 精通Oracle10编程SQL(1-3)PLSQL基础 bijian1013 oracle数据库plsql
    --只包含执行部分的PL/SQL块 --set serveroutput off begin dbms_output.put_line('Hello,everyone!'); end; select * from emp; --包含定义部分和执行部分的PL/SQL块 declare v_ename varchar2(5); begin select
  • 【Nginx三】Nginx作为反向代理服务器 bit1129 nginx
    Nginx一个常用的功能是作为代理服务器。代理服务器通常完成如下的功能：   接受客户端请求 将请求转发给被代理的服务器 从被代理的服务器获得响应结果 把响应结果返回给客户端 实例 本文把Nginx配置成一个简单的代理服务器 对于静态的html和图片，直接从Nginx获取 对于动态的页面，例如JSP或者Servlet，Nginx则将请求转发给Res
  • Plugin execution not covered by lifecycle configuration: org.apache.maven.plugin blackproof maven报错
    转：http://stackoverflow.com/questions/6352208/how-to-solve-plugin-execution-not-covered-by-lifecycle-configuration-for-sprin   maven报错： Plugin execution not covered by lifecycle configuration:
  • 发布docker程序到marathon ronin47 docker 发布应用
    1 发布docker程序到marathon 1.1 搭建私有docker registry 1.1.1 安装docker regisry docker pull docker-registry docker run -t -p 5000:5000 docker-registry 下载docker镜像并发布到私有registry docker pull consol/tomcat-8.0
  • java-57-用两个栈实现队列&&用两个队列实现一个栈 bylijinnan java
    import java.util.ArrayList; import java.util.List; import java.util.Stack; /* * Q 57 用两个栈实现队列 */ public class QueueImplementByTwoStacks { private Stack<Integer> stack1; pr
  • Nginx配置性能优化 cfyme nginx
    转载地址：http://blog.csdn.net/xifeijian/article/details/20956605   大多数的Nginx安装指南告诉你如下基础知识——通过apt-get安装，修改这里或那里的几行配置，好了，你已经有了一个Web服务器了。而且，在大多数情况下，一个常规安装的nginx对你的网站来说已经能很好地工作了。然而，如果你真的想挤压出Nginx的性能，你必
  • [JAVA图形图像]JAVA体系需要稳扎稳打,逐步推进图像图形处理技术 comsci java
         对图形图像进行精确处理，需要大量的数学工具，即使是从底层硬件模拟层开始设计，也离不开大量的数学工具包，因为我认为，JAVA语言体系在图形图像处理模块上面的研发工作，需要从开发一些基础的，类似实时数学函数构造器和解析器的软件包入手，而不是急于利用第三方代码工具来实现一个不严格的图形图像处理软件......   &nb
  • MonkeyRunner的使用 dai_lm androidMonkeyRunner
    要使用MonkeyRunner，就要学习使用Python，哎 先抄一段官方doc里的代码 作用是启动一个程序（应该是启动程序默认的Activity），然后按MENU键，并截屏 # Imports the monkeyrunner modules used by this program from com.android.monkeyrunner import MonkeyRun
  • Hadoop-- 海量文件的分布式计算处理方案 datamachine mapreducehadoop分布式计算
    csdn的一个关于hadoop的分布式处理方案，存档。 原帖：http://blog.csdn.net/calvinxiu/article/details/1506112。     Hadoop 是Google MapReduce的一个Java实现。MapReduce是一种简化的分布式编程模式，让程序自动分布到一个由普通机器组成的超大集群上并发执行。就如同ja
  • 以資料庫驗證登入 dcj3sjt126com yii
    以資料庫驗證登入 由於 Yii 內定的原始框架程式, 採用綁定在UserIdentity.php 的 demo 與 admin 帳號密碼:    public function authenticate()    {        $users=array( &nbs
  • github做webhooks：[2]php版本自动触发更新 dcj3sjt126com githubgitwebhooks
    上次已经说过了如何在github控制面板做查看url的返回信息了。这次就到了直接贴钩子代码的时候了。 工具/原料 git github 方法/步骤   在github的setting里面的webhooks里把我们的url地址填进去。   钩子更新的代码如下： error_reportin
  • Eos开发常用表达式 蕃薯耀 Eos开发Eos入门Eos开发常用表达式
    Eos开发常用表达式 >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>> 蕃薯耀 2014年8月18日 15:03:35 星期一     &
  • SpringSecurity3.X--SpEL 表达式 hanqunfeng SpringSecurity
    使用 Spring 表达式语言配置访问控制，要实现这一功能的直接方式是在<http>配置元素上添加 use-expressions 属性：   <http auto-config="true" use-expressions="true"> 这样就会在投票器中自动增加一个投票器：org.springframework
  • Redis vs Memcache IXHONG redis
    1. Redis中，并不是所有的数据都一直存储在内存中的，这是和Memcached相比一个最大的区别。 2. Redis不仅仅支持简单的k/v类型的数据，同时还提供list，set，hash等数据结构的存储。 3. Redis支持数据的备份，即master-slave模式的数据备份。 4. Redis支持数据的持久化，可以将内存中的数据保持在磁盘中，重启的时候可以再次加载进行使用。 Red
  • Python - 装饰器使用过程中的误区解读 kvhur JavaScriptjqueryhtml5css
    大家都知道装饰器是一个很著名的设计模式，经常被用于AOP(面向切面编程)的场景，较为经典的有插入日志，性能测试，事务处理，Web权限校验， Cache等。 原文链接：http://www.gbtags.com/gb/share/5563.htm Python语言本身提供了装饰器语法（@），典型的装饰器实现如下：   @function_wrapper de
  • 架构师之mybatis-----update 带case when 针对多种情况更新 nannan408 case when
    1.前言.    如题. 2. 代码.   <update id="batchUpdate" parameterType="java.util.List"> <foreach collection="list" item="list" index=&
  • Algorithm算法视频教程 栏目记者 Algorithm算法
    课程：Algorithm算法视频教程 百度网盘下载地址： http://pan.baidu.com/s/1qWFjjQW 密码: 2mji 程序写的好不好,还得看算法屌不屌！Algorithm算法博大精深。 一、课程内容： 课时1、算法的基本概念 + Sequential search 课时2、Binary search 课时3、Hash table 课时4、Algor
  • C语言算法之冒泡排序 qiufeihu c算法
    任意输入10个数字由小到大进行排序。 代码： #include <stdio.h> int main() { int i,j,t,a[11]; /*定义变量及数组为基本类型*/ for(i = 1;i < 11;i++){ scanf("%d",&a[i]); /*从键盘中输入10个数*/ } for
  • JSP异常处理 wyzuomumu Webjsp
    1.在可能发生异常的网页中通过指令将HTTP请求转发给另一个专门处理异常的网页中: <%@ page errorPage="errors.jsp"%>   2.在处理异常的网页中做如下声明： errors.jsp: <%@ page isErrorPage="true"%>，这样设置完后就可以在网页中直接访问exc
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他