目标检测

【深度学习】计算机视觉（CV）-目标检测-DETR（DEtection TRansformer）—— 基于 Transformer 的端到端目标检测DETR（DEtection TRansformer）是 Facebook AI（FAIR）于 2020 年提出的端到端目标检测算法，它基于 Transformer 架构，消除了 Faster R-CNN、YOLO 等方法中的候选框（Anchor Boxes）和非极大值抑制（NMS）机制，使目标检测变得更简单、高效。

视觉目标检测之小目标检测技术调研与实验小目标检测是计算机视觉领域中的一个极具挑战性的问题。小目标检测广义是指在图像中检测和识别尺寸较小、面积较小的目标物体。

计算机视觉之图像处理-----SIFT、SURF、FAST、ORB 特征提取算法深度解析在图像处理领域亦或是计算机视觉中，首先我们需要先理解几个名词：什么是尺度不变？在实际场景中，同一物体可能出现在不同距离（如远处的山和近处的树），导致其在图像中的尺度不同，也引出了多尺度的概念。算法检测到的特征在图像缩放（放大或缩小）后仍能被正确识别和匹配，即尺度不变性。

目标检测之YOLO论文简读YOLOV1是YOLO系列的开篇之作。系统后续有许多版本都是针对前一版本的改进，进而可以学到大佬们是怎么思考的。

ML.NET库学习008：使用ML.NET进行心脏疾病预测模型开发本项目的目的是开发一个基于ML.NET的机器学习模型，用于心脏疾病的风险预测。通过分析患者的心脏相关特征数据，模型可以对是否存在心脏疾病进行分类。

如何在C++中使用YOLO模型进行目标检测《------往期经典推荐------》一、AI应用软件开发实战专栏【链接】二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~ 三、深度学习【Pytorch】专栏【链接】四、【Stable Diffusion绘画系列】专栏【链接】五、YOLOv8改进专栏【链接】，持续更新中~~ 六、YOLO性能对比专栏【链接】，持续更新中~

【目标检测】【YOLOv12】YOLOv12：Attention-Centric Real-Time Object Detectors论文链接代码链接 YOLOv12：以注意力为中心的实时目标检测器长期以来，增强YOLO框架的网络架构一直至关重要，但主要集中在基于CNN的改进上，尽管注意力机制在建模能力上已被证明具有优越性。这是因为基于注意力的模型无法与基于CNN的模型在速度上相匹敌。本文提出了一种以注意力为核心的YOLO框架，即YOLOv12，它在保持与之前基于CNN模型相同速度的同时，充分利用了注意力机制的性能优势。

仿 Sora 之形，借物理模拟之技绘视频之彩来自麻省理工学院、斯坦福大学、哥伦比亚大学以及康奈尔大学的研究人员携手开源了一款创新的3D交互视频模型——PhysDreamer（以下简称“PD”）。PD与OpenAI旗下的Sora相似，能够借助物理模拟技术来生成视频，这意味着PD所生成的视频蕴含着诸多物理世界的特性。

ML.NET库学习011：基于YOLO目标检测算法的图像处理系统本项目旨在实现基于YOLO（You Only Look Once）目标检测算法的图像处理系统，具体使用的是Tiny YOLO v2模型。该模型是一种轻量级的目标检测模型，适合在资源有限的环境中运行。

python实现将RGB相机与事件相机的照片信息进行融合以进行目标检测要将RGB相机与事件相机的照片信息进行融合以进行目标检测，我们可以按以下步骤进行：

SKYDROID云卓小助手

无人设备遥控器之视频回传篇无人设备遥控器的视频回传是指将无人设备（如无人机）采集到的视频信号传输回遥控器或其他接收设备的过程。这一过程在诸多应急情境中显得尤为重要，它能为指挥中心的决策者、调度系统以及AI分析等提供实时画面。

【深度学习】遥感影像目标检测：从CNN（Faster-RCNN）到Transformer（DETR）Transformer 是一种基于自注意力机制（Self-Attention）的深度学习模型架构，最初由 Vaswani 等人在 2017 年的论文《Attention is All You Need》中提出。Transformer 彻底改变了自然语言处理（NLP）领域，并成为许多现代 AI 模型（如 BERT、GPT 等）的基础。

统一的多摄像头3D感知框架！PETRv2论文精读论文地址：PETRv2: A Unified Framework for 3D Perception from Multi-Camera Images

数据集_深度学习

昆虫-目标检测数据集（包括VOC格式、YOLO格式）数据集信息介绍：共有 6009 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。

weixin_51302377

红外图像与可见光图像在目标检测时的区别在计算机视觉领域的目标检测中，红外图像与可见光图像在处理上存在多方面区别，具体如下：图像特性预处理特征提取

遥感影像目标检测：从CNN（Faster-RCNN）到Transformer（DETR）专题一深度卷积网络 1.深度学习在遥感图像识别中的范式和问题 2.深度学习的历史发展历程 3.机器学习，深度学习等任务的基本处理流程 4.卷积神经网络的基本原理 5.卷积运算的原理和理解 6.池化操作，全连接层，以及分类器的作用 7.BP反向传播算法的理解 8.CNN模型代码详解 9.特征图，卷积核可视化分析

DarkLabel 2.4使用指南：高效标注视频数据目标检测标签DarkLabel 2.4 是一款强大的多功能标注工具，专为计算机视觉开发者设计，旨在提升标注工作的效率和精确度。其智能标注引擎支持两项核心功能：线性插值标注与多目标跟踪，极大地优化了视频标注过程。

用自己的数据训练yolov11目标检测官网：https://github.com/ultralytics/ultralytics?tab=readme-ov-file 提示：以停车场空位检测公开数据集示例，可直接运行本人打包代码：百度云分享：ultralytics-8.3.2.zip 链接: https://pan.baidu.com/s/18f-9tsgajL46czn5PUcUsA?pwd=hjuk 提取码: hjuk

辛勤的程序猿

DEIM：加速Transformer架构目标检测的突破，YOLO系列的启发目标检测（Object Detection）是计算机视觉中的一项核心任务，广泛应用于自动驾驶、视频监控、工业自动化等领域。随着技术的不断发展，越来越多的模型涌现出来，尤其是YOLO（You Only Look Once）系列，它凭借出色的实时性和精度成为了目标检测领域的重要代表。然而，随着Transformer架构的兴起，基于Transformer的目标检测模型（如DETR）展现出了更强的全局上下文捕捉能力，但也面临着一些挑战，尤其是在训练速度和小物体检测方面。

目标检测中的数据增强：翻转、旋转、缩放、裁剪、亮度、模糊等【附完整源码】《------往期经典推荐------》一、AI应用软件开发实战专栏【链接】二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~ 三、深度学习【Pytorch】专栏【链接】四、【Stable Diffusion绘画系列】专栏【链接】五、YOLOv8改进专栏【链接】，持续更新中~~ 六、YOLO性能对比专栏【链接】，持续更新中~