周报10.11

小组周报

小组成员: 陈思潼

汇报周期: 2026年9月28日---2026年10月11日

一、本周计划

  1. 文献调研

    • 阅读一篇红外与可见光融合相关论文TFDet: Target-Aware Fusion for RGB-T Pedestrian Detection
  2. 算法实现与实验验证

    • 根据云监督效果进行该方向改动
    • 找云监督最新方向
    • 把softmax改掉成别的权重生成
  3. 结果整理与问题分析

    • 汇总整理实验结果

二、本周进展

2.1 文献阅读进展

本周共阅读相关论文 1 篇,重点关注以下方向:

序号 论文名称 会议/期刊 主要内容 可借鉴点
1 TFDet: Target-Aware Fusion for RGB-T Pedestrian Detection TNNLS 2025 提出全新多光谱特征融合方案 ------ 目标感知融合策略。不同于以往仅做特征拼接融合的方法,本工作进一步做特征优化,增强目标区域表征、抑制背景区域表征

2.2 实验与代码进展

本周主要完成了以下实验或代码工作:

  • 根据云监督效果进行该方向改动
  • 把softmax改掉成别的权重生成
第一版改动 第二版改动 第三版改动 第四版改动
改动 对可信度权重的生成加入云监督,权重初步设为0.1,先只在第三层级做。在原有检测Loss基础上加了云监督loss,云图先转成连续云层强度,转成 Optical reliability 的监督目标,对 OASDFusion 的 reliability 做 BCE 调小λ=0.05 自适应λ,每10epoch根据map50结果调整参数移动方向,最终检测到参数停留在0.065 在原版无云监督的基础上,把softmax改为sigmoid加归一化
结果 0.879±0.044 0.909±0.011 0.910±0.016 0.912±0.011
分析 可能因为辅助云监督损失对可靠性权重学习施加了较强约束,该监督目标与检测任务所需的最优特征分配并不一定完全一致,可能对检测性能产生干扰。 有明显提升且不同seed下更稳定 略有提升 比原版性能差

最优框架图如下:

最新云监督论文方向:

  1. CFCFNet:直接面向云遮挡目标检测

    IEEE JSTARS,2025

    该研究提出云去除模块、跨模态特征校准模块和动态融合模块,并构建了 OPTSAR-Cloud 数据集。

  2. PLCSeg:保留原始云图信息,而不是只依赖去云结果

    GIScience & Remote Sensing,2026

    该方法同时利用原始云遮挡图像、去云图像和 SAR 特征,逐层进行交互融合,重点处理云遮挡造成的信息丢失以及去云过程引入的不确定性。

  3. Cloud Mask-Guided SAR--Optical Fusion:云掩膜引导融合

    IEEE JSTARS,2026

    该研究显式使用云掩膜引导 SAR--光学融合,并结合空间域与频率域损失,兼顾像素精度、纹理和全局一致性。它主要研究厚云去除和图像重建。

  4. NAM-CR:同时考虑 SAR 噪声的质量感知监督

    Information Fusion,2026 年 9 月

    该研究针对 SAR 辅助去云提出云引导的噪声自适应损失,让学习过程根据 SAR 噪声强度调整,而不只考虑光学图像中的云污染。

当前实验结果如下:

序号 方法/模型 期刊 mAP50 mAP50-95
1 CDCFusion 0.908±0.005 0.700±0.002
2 seg 0.906±0.007 0.699±0.017
3 tf 0.917±0.005 0.708±0.007
4 KDFuse IF 2025 0.923±0.002 0.706±0.006
5 MambaVision CVPR 2025 0.923±0.006 0.704±0.005
6 Mask-DiFuser TPAMI 2026 0.911±0.004 0.708±0.003
7 PSTLFusion PR 2022 0.915±0.007 0.699±0.003
8 U2Fusion TPAMI 2020 0.918±0.007 0.710±0.003
9 CMADet TIV 2024 0.906±0.004 0.685±0.002
10 RPFNet ACM MM 2025 0.865±0.008 0.659±0.008
11 WaveMamba ICCV 2025 0.913±0.010 0.706±0.004
12 0.927 0.708

三、下周计划

下周计划围绕以下几个方面继续推进:

  1. 查看0.927的模型参数
  2. 查看是否有其他数据集辅助支撑,如无人机对地,卫星对地
  3. 融合模块改动,不要做空间注意力这种,起码往小波变换等方向做
  4. 确认不用r分支直接使用云层真值是否有提升来判断是否继续做该分支改进尝试
  5. 查看云监督最新论文确认是否合适,嵌入进模型跑一下实验,看是否有类似数据集,重点关注CFCFNet
  6. 云层对频域的影响,对不同模态取不同频域,或进行不同操作
  7. visio重画框架图
相关推荐
会飞锦鲤1 天前
基于 RT-DETR 的 PCB 缺陷检测
深度学习·目标检测·计算机视觉·pyqt5·rt-detr·工业质检·pcb缺陷检测
BYSJMG10 天前
计算机毕业设计选题推荐:【基于深度学习的车辆损坏严重程度评估方法研究】ResNet50 图像分类
人工智能·深度学习·目标检测·机器学习·计算机视觉·分类·课程设计
BYSJMG10 天前
计算机毕业设计选题推荐|【基于深度学习的电梯电动车违规进入检测研究】YOLO26m+可视化大屏
人工智能·深度学习·神经网络·目标检测·机器学习·计算机视觉·课程设计
数据集_深度学习12 天前
果园红绿苹果目标检测数据集介绍和论文参考
人工智能·目标检测
微尘hjx13 天前
【Deep-OC-SORT 06】多轨迹算法Deep-OC-SORT-CMC相机运动补偿
yolo·目标检测·目标跟踪·ultralytics·轨迹算法·deep-oc-sort·车流统计
电科_银尘15 天前
【深度学习项目实战·17】行人目标检测:用Faster R-CNN找出图片中的行人
深度学习·目标检测·r语言
AI日报派送佬17 天前
高效目标检测利器:X-AnyLabeling 加载自定义 YOLO 模型自动标注实操指南
人工智能·yolo·目标检测
qq_252941316818 天前
日本道路病害检测数据集 | 道路病害 裂缝检测 坑洼识别 市政巡检9287期
人工智能·深度学习·yolo·目标检测·计算机视觉·道路检测
qq_252941316818 天前
伊蚊检测数据集 | 伊蚊检测 病媒生物 公共卫生 目标检测9304期
人工智能·yolo·目标检测·计算机视觉·蚊子·尹蚊
计算机毕业编程指导师18 天前
基于深度学习的光伏组件红外图像缺陷识别系统设计与实现
人工智能·python·深度学习·目标检测·毕业设计·课程设计·光伏