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)

  • 基于深度学习的目标检测：从基础到实践 Blossom.118 机器学习与人工智能深度学习目标检测人工智能音视频语音识别计算机视觉机器学习
    前言目标检测（ObjectDetection）是计算机视觉领域中的一个核心任务，其目标是在图像中定位和识别多个对象的类别和位置。近年来，深度学习技术，尤其是卷积神经网络（CNN），在目标检测任务中取得了显著进展。本文将详细介绍如何使用深度学习技术构建目标检测模型，从理论基础到代码实现，带你一步步掌握目标检测的完整流程。一、目标检测的基本概念（一）目标检测的定义目标检测是指在图像中识别和定位多个对象
  • “显著性”（Saliency）是计算机视觉中的一个重要概念，主要指的是图像或视频中最吸引人注意力的区域或对象 步步咏凉天 计算机视觉人工智能
    “显著性”（Saliency）是计算机视觉中的一个重要概念，主要指的是图像或视频中最吸引人注意力的区域或对象。它模拟的是人类视觉系统对视觉场景中“显著”区域的感知能力。显著性可以用于图像理解、目标检测、图像压缩、图像分割等多个任务。下面是对显著性在计算机视觉中的几个关键方面的解释：一、显著性检测（SaliencyDetection）显著性检测的目标是预测图像中最能吸引人注意的区域，通常输出一个与输
  • DETR革命：目标检测的Transformer时代 加油吧zkf 目标检测YOLOpython开发语言人工智能图像处理
    《DETR从0到1：目标检测Transformer的崛起》为什么会有DETR？在深度学习目标检测发展史上，2014~2019年几乎被基于卷积神经网络（CNN）的检测器统治：两阶段：FasterR-CNN、MaskR-CNN单阶段：YOLO、SSD、RetinaNet这些检测器虽然效果强大，但背后依赖：✅Anchor（先验框）✅NMS（非极大值抑制）✅特征金字塔、手工设计问题：结构复杂、调参困难、不
  • 基于NanoDet的健身姿势纠正系统开发 YOLO实战营 人工智能NanoDet深度学习计算机视觉ui
    1.引言在现代健身行业中，正确的运动姿势至关重要，不仅能提升训练效果，还能预防运动损伤。尤其是在进行一些高强度的力量训练时，如深蹲、俯卧撑等，错误的姿势可能导致肌肉不平衡或关节损伤。传统的健身姿势纠正方式依赖教练的人工指导，但随着人工智能技术的发展，使用计算机视觉和深度学习技术来进行姿势纠正，逐渐成为一种高效且可扩展的解决方案。本文将详细介绍如何基于NanoDet（一个轻量化目标检测模型）开发一个
  • BEV+Transformer Monkey PilotX 自动驾驶transformer深度学习人工智能
    在自动驾驶系统中，BEV（Bird’sEyeView）+Transformer主要应用于感知与环境建图（Perception&SceneUnderstanding）环节，尤其是在多传感器融合、目标检测、语义分割、轨迹预测等任务中。在自动驾驶中的关键应用场景应用环节BEV+Transformer的作用感知（Perception）多摄像头图像融合成BEV视角，进行目标检测、语义分割预测（Predict
  • 目标检测中的标签分配算法总结 北京地铁1号线 目标检测与图像处理人工智能
    目标检测中的标签分配算法是训练过程中的一个核心环节，它决定了如何将标注好的真实目标框分配给模型预测出来的候选框（AnchorBoxes或Points），从而为这些候选框提供监督信号（正样本、负样本、忽略样本）。它的质量直接影响模型的学习效率和最终性能。简单来说，标签分配要解决的关键问题是：“哪些预测框应该负责学习哪些真实目标？”一、为什么标签分配如此重要？1.定义学习目标：它直接告诉模型哪些预测应
  • 《目标检测模块实践手册：从原理到落地的尝试与分享》第一期 加油吧zkf 目标检测模块解析与实践目标检测目标跟踪人工智能
    大家好，欢迎来到《目标检测模块实践手册》系列的第一篇。从今天开始，我想以一种“实践记录者”的身份，和大家聊聊在目标检测任务中那些形形色色的模块。这些内容没有权威结论，更多的是我在实际操作中的一些尝试、发现和踩过的坑。至于这些模块在大家的具体网络应用中是否可行，还需要大家自己去验证，也非常期待能和大家交流不同的经验。目标检测任务的本质与模块的作用目标检测，简单来说，就是从输入的图像中，准确地找出我们
  • 手绘电路图的节点和端点检测一个简化版的算法实现框架 zhangfeng1133 算法
    于论文描述，我将提供一个简化版的算法实现框架，用于手绘电路图的节点和端点检测，并整合生成电路原理图。以下代码结合了YOLOv5目标检测和传统图像处理技术，符合论文中提到的98.2%mAP和92%节点识别准确率的关键指标。核心算法实现（Python+OpenCV+YOLOv5）importcv2importnumpyasnpimporttorchfromyolov5importYOLOv5#需要安装
  • 目标检测-YOLOv5 wydxry 深度学习目标检测YOLO人工智能深度学习
    YOLOv5介绍YOLOv5是YOLO系列的第五个版本，由Ultralytics团队发布。虽然YOLOv5并非JosephRedmon原团队发布，但它在YOLOv4的基础上进行了重要的优化和改进，成为了深度学习目标检测领域中的热门模型之一。YOLOv5的优势不仅体现在其性能上，还包括其简洁易用、部署便捷的特点。相较于YOLOv4，YOLOv5对于代码框架的重构、推理速度的提升，以及模型的轻量化等方
  • 深度学习模型开发部署全流程：以YOLOv11目标检测任务为例 你喜欢喝可乐吗？ deeplearningdeploy深度学习YOLO目标检测
    深度学习模型开发部署全流程：以YOLOv11目标检测任务为例深度学习模型从开发到部署的完整流程包含需求分析、数据准备、模型训练、模型优化、模型测试和部署运行六大核心环节。YOLOv11作为新一代目标检测模型，不仅延续了YOLO系列的高效实时性能，还在检测精度和泛化能力上取得显著突破，使其成为工业质检、安防监控、自动驾驶等领域的理想选择。本文将详细阐述这一完整流程，并结合YOLOv11的具体实现，提
  • 渣土车识别漏检率高？陌讯算法实测降 90% 2501_92487936 目标跟踪人工智能计算机视觉目标检测算法智慧城市
    在城市建筑垃圾运输管理中，渣土车的合规性监测一直是行业痛点。传统视觉算法在复杂工况下常常出现误判——阴雨天车牌识别模糊、夜间车灯眩光导致车型误分类、不同品牌渣土车混检时准确率骤降。某市政管理局的统计显示，采用传统方案时，日均漏检率高达23%，由此引发的违规倾倒投诉占比超60%。技术解析：从单模态到多特征融合的突破传统渣土车识别多依赖单一目标检测模型（如FasterR-CNN），其核心缺陷在于：特征
  • 考场/工厂违规用机难捕捉？3维度优化方案部署成本直降40% 2501_92487762 视觉检测计算机视觉算法目标检测
    开篇痛点工业场景中传统玩手机识别面临三重挑战：小目标检测（手机平均像素占比<0.5%）、遮挡干扰（人手/物体遮挡率超60%）、实时性要求（需200ms内响应）。某安检企业反馈，开源YOLOv5在车间场景误报率高达34%。技术解析：双流特征融合架构陌讯算法创新性融合双路径特征（图1）：#陌讯核心代码逻辑（简化版）defdual_path_fusion(backbone):shallow_path=C
  • 复杂场景检测失效？陌讯多模态算法在千万级监控网的落地实战 2501_92473061 算法视觉检测安全计算机视觉
    开篇痛点：安防监控的检测困境"明明人就在画面里，系统却毫无反应！"——这是某智慧园区安防负责人的吐槽。传统目标检测模型在安防监控场景面临三大死穴：漏报：夜间、遮挡场景下召回率骤降（实测ResNet50漏报率>40%）误报：树叶晃动、光影变化引发的误报占比超35%延迟：1080P视频流检测延迟普遍>100ms，难以满足实时响应需求技术解析：陌讯算法的三阶优化架构陌讯视觉算法采用多模态特征金字塔（MM
  • 复杂场景检测老翻车？陌讯算法实测提升 40% 2501_92453489 算法视觉计算机视觉视觉检测
    在工业质检、安防监控等计算机视觉落地场景中，工程师常面临棘手问题：传统算法在光照突变、目标遮挡等复杂环境下，漏检率高达20%以上，泛化能力不足成为项目落地的最大阻碍。而陌讯AI视觉算法通过架构创新，正在重新定义复杂场景下的检测精度标准。技术解析：从单模态到多模态的跨越传统目标检测模型多依赖单一RGB图像输入，在特征提取阶段容易受环境干扰。以经典的FasterR-CNN为例，其区域提议网络（RPN）
  • 微算法科技研究量子视觉计算，利用量子力学原理提升传统计算机视觉任务的性能
    计算机视觉，作为人工智能领域的一个重要分支，致力于模拟人类视觉系统对图像或视频等视觉数据的理解与分析能力。它涵盖了图像识别、目标检测、图像分割等一系列复杂任务，广泛应用于自动驾驶、医疗影像分析、安防监控等多个领域。然而，随着数据规模的不断膨胀和任务复杂度的日益提升，传统计算机视觉算法在处理大规模、高维度数据时遇到了性能瓶颈。微算法科技(NASDAQ：MLGO)研究量子视觉计算，探索量子计算与经典卷
  • PyTorch & TensorFlow速成复习：从基础语法到模型部署实战（附FPGA移植衔接） 阿牛的药铺 算法移植部署pytorchtensorflowfpga开发
    PyTorch&TensorFlow速成复习：从基础语法到模型部署实战（附FPGA移植衔接）引言：为什么算法移植工程师必须掌握框架基础？针对光学类产品算法FPGA移植岗位需求（如可见光/红外图像处理），深度学习框架是算法落地的"桥梁"——既要用PyTorch/TensorFlow验证算法可行性，又要将训练好的模型（如CNN、目标检测）转换为FPGA可部署的格式（ONNX、TFLite）。本文采用"
  • 【目标检测】机场内部目标检测数据集4106张YOLO+VOC格式
    数据集格式：VOC格式+YOLO格式压缩包内含：3个文件夹，分别存储图片、xml、txt文件JPEGImages文件夹中jpg图片总计：4106Annotations文件夹中xml文件总计：4106labels文件夹中txt文件总计：4106标签种类数：7标签名称:["Ground_vehicles","Horizontal_sign","Runaway_limit","Taxiway","Ver
  • 传统检测响应慢？陌讯多模态引擎提速90+FPS实战 2501_92473147 算法计算机视觉目标检测
    开篇痛点：实时目标检测在安防监控中的核心挑战在安防监控领域，实时目标检测是保障公共安全的关键技术。然而，传统算法如YOLOv5或开源框架MMDetection常面临两大痛点：误报率高（复杂光照或遮挡场景下检测不稳定）和响应延迟（高分辨率视频流处理FPS低于30）。实测数据显示，城市交通监控系统误报率达15%，导致安保资源浪费；客户反馈表明，延迟超100ms时，目标跟踪可能失效。这些问题源于算法泛化
  • 目标检测（object detection） 加油吧zkf 目标检测目标检测人工智能计算机视觉
    目标检测作为计算机视觉的核心技术，在自动驾驶、安防监控、医疗影像等领域发挥着不可替代的作用。本文将系统讲解目标检测的概念、原理、主流模型、常见数据集及应用场景，帮助读者构建对这一技术的完整认知。一、目标检测的核心概念目标检测（ObjectDetection）是指在图像或视频中自动定位并识别出所有感兴趣的目标的技术。它需要解决两个核心问题：分类（Classification）：确定图像中每个目标的类
  • 目标检测中的NMS算法详解
    好的，我们来详细解释一下目标检测中非极大值抑制（Non-MaximumSuppression,NMS）的相关概念和计算过程。1.为什么需要NMS？问题：目标检测模型（如FasterR-CNN,YOLO,SSD等）在推理时，对于同一个目标物体，通常会预测出多个重叠的、不同置信度（confidencescore）的候选边界框（BoundingBoxes）。直接输出所有这些框会导致：结果冗余：同一个物体
  • YOLOv11 技术详解：架构优化与性能提升 代码老y YOLO架构目标跟踪
    YOLOv11是目标检测领域中一个备受瞩目的新版本，它在保持实时性的同时，显著提升了检测的准确性和效率。本文将深入探讨YOLOv11的架构改进、性能优化以及它在不同应用场景中的表现。一、架构改进（一）C3K2块YOLOv11引入了C3K2块，这是对之前版本中CSP（CrossStagePartial）块的增强。C3K2块使用不同的核大小（例如3x3或5x5）和通道分离策略来优化更复杂特征的提取。这
  • YOLO11 目标检测从安装到实战
    前言YOLO（YouOnlyLookOnce）系列是目标检测领域的经典算法，凭借速度快、精度高的特点被广泛应用。最新的YOLO11在模型结构和性能上进一步优化，本文将从环境搭建到实战应用，详细讲解YOLO11的使用方法，适合新手快速上手。一、环境准备1.系统要求操作系统：Windows10/11、Ubuntu20.04+、欧拉系统等硬件：CPU可运行，GPU（NVIDIA）可加速（推荐，需支持CU
  • OpenCV入门到精通：AI视觉处理的完整指南 AI云原生与云计算技术学院 人工智能opencv计算机视觉ai
    OpenCV入门到精通：AI视觉处理的完整指南关键词：OpenCV、计算机视觉、图像预处理、目标检测、AI视觉应用摘要：本文是一份面向AI视觉爱好者的OpenCV完整学习指南。从OpenCV的核心概念讲起，结合生活案例、代码示例和项目实战，逐步拆解图像读取/显示、灰度化、边缘检测、目标检测等关键技术。无论你是想入门计算机视觉的新手，还是希望用OpenCV解决实际问题的开发者，都能通过本文掌握从理论
  • 目前主流图像分类模型的详细对比分析 @comefly 闲聊linux运维服务器
    以下是目前主流图像分类模型的详细对比分析，结合性能、架构特点及应用场景进行整理：一、主流模型架构分类与定量对比模型名称架构类型核心特点ImageNetTop-1准确率参数量（百万）计算效率典型应用场景ResNetCNN残差连接解决梯度消失，支持超深网络（如ResNet-152）76.1%25.6中等通用分类、目标检测ViTTransformer将图像分割为patches，用标准Transforme
  • 目标检测之数据增强
    数据翻转，需要把bbox相应的坐标值也进行交换代码：importrandomfromtorchvision.transformsimportfunctionalasFclassCompose(object):"""组合多个transform函数"""def__init__(self,transforms):self.transforms=transformsdef__call__(self,ima
  • 模型实战（21）之 C++ - tensorRT部署yolov8-det 目标检测 明月醉窗台 #深度学习实战例程人工智能c++YOLO目标检测计算机视觉人工智能
    C++-tensorRT部署yolov8-det目标检测python环境下如何直接调用推理模型转换并导出：pt->onnx->.engineC++tensorrt部署检测模型不写废话了，直接上具体实现过程+all代码1.Python环境下推理直接命令行推理，巨简单yolodetectpredictmodel=yolov8n.ptsource='https
  • 【零基础学AI】第31讲：目标检测 - YOLO算法 1989 0基础学AI人工智能目标检测YOLOrnnlstmtensorflow
    本节课你将学到YOLO算法的核心思想和工作原理如何使用YOLO进行物体检测构建一个简单的物体检测系统开始之前环境要求Python3.8+需要安装的包：opencv-python,numpy,matplotlib硬件要求：推荐使用GPU（非必须）前置知识基本Python编程能力了解卷积神经网络（CNN）的基本概念（第24讲内容）核心概念什么是目标检测？目标检测就像教计算机"看"图片中的物体。它不仅要
  • 【论文阅读】【IEEE TCYB 2023】Edge-Guided Recurrent Positioning Network forSalient Object Detection in Opt
    引言任务：光学遥感图像中显著目标检测论文地址：Edge-GuidedRecurrentPositioningNetworkforSalientObjectDetectioninOpticalRemoteSensingImages|IEEEJournals&Magazine|IEEEXplore代码地址：前置知识一、摘要目前由于光学rsi中目标类型多样、目标尺度多样、目标方向众多以及背景杂乱，现有S
  • 如何使用目标检测深度学习框架yolov8训练钢管管道表面缺陷VOC+YOLO格式1159张3类别的检测数据集步骤和流程 FL1623863129 深度学习目标检测深度学习YOLO
    【数据集介绍】数据集中有很多增强图片，大约300张为原图剩余为增强图片数据集格式：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)：1159标注数量(xml文件个数)：1159标注数量(txt文件个数)：1159标注类别数：3所在仓库：firc-dataset标注类别名称(注意yo
  • 万字长文详解YOLOv8 yaml 文件，结合模型输出的网络结构图分析Parameters /backbone/head以及三者的数学关联 YOLO大师 YOLO论文阅读
    YOLO目标检测创新改进与实战案例专栏专栏目录：YOLO有效改进系列及项目实战目录包含卷积，主干注意力，检测头等创新机制以及各种目标检测分割项目实战案例专栏链接:YOLO基础解析+创新改进+实战案例之前写过一篇YOLOv8yaml配置文件逐层的解析：结合YOLOv8源码逐层解读yaml文件的配置，本文主要从整体的角度去解析yaml。YOLOv8模型YOLOv8提供了非常多的模型，详见：https:
  • 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