目标跟踪

医学生图像分割的测试时生成增强方法文献速递-医疗影像分割与目标检测最新技术2025.12.26这篇文章发表于《Medical Image Analysis》期刊（2026 年第 109 卷），由南京理工大学、帝国理工学院等机构学者联合撰写，聚焦医学图像分割的测试时增强优化，提出一种基于生成模型的测试时生成增强方法 TTGA。

农田植被目标检测数据标注与模型训练总结3本周核心工作聚焦农田植被目标检测图片标注任务。农田植被目标检测是智慧农业发展的关键技术支撑，其数据质量直接决定后续模型应用效果，而精准的图片标注是构建高质量数据集的核心环节。本次工作通过规范的标注流程，完成了农田植被相关图片的标注与质量校验，为后续目标检测模型训练奠定了坚实的数据基础。现将本周图片标注工作详细综述如下：

YOLO11 与 Wan2.2‑I2V‑A14B 正式上线 AtomGit AI：开启视觉感知与动态生成新纪元！YOLO11 作为最新一代目标检测模型，擅长实时识别复杂场景中的多种对象，同时具备优秀的泛化能力和高效推理表现。

自训练yolo模型自主学习性能持续提升思路目前要让 YOLOv8 模型实现“自主学习、越用越聪明” 的能力，本质上是要在其基础上引入持续学习（Continual Learning）和自监督/弱监督学习机制，并构建一个闭环反馈系统。尽管 YOLOv8 本身是一个静态的、监督式的目标检测模型，但通过系统级设计，可以赋予它“自主进化”的能力。

心血管造影图像目标检测_YOLO11-CSFCN模型实现与优化_1🔍 心血管疾病是全球范围内导致死亡的主要原因之一，早期诊断和治疗对提高患者生存率至关重要。心血管造影图像作为诊断的重要依据，其自动分析成为医学影像处理的研究热点。本文将介绍如何结合YOLOv11和通道-空间特征融合网络(CSFCN)构建高效的心血管造影图像目标检测系统，并分享模型优化技巧。💪

改进SOLOv2系列__R50_FPN_1x_COCO__建筑工地车辆与人员目标检测本数据集专注于建筑工地环境中的车辆与人员目标检测任务，包含五个主要类别：水泥车（cement_truck）、自卸车（dump_truck）、挖掘机（excavator）、人员（person）和卡车（truck）。数据集采用YOLOv8格式进行标注，划分为训练集、验证集和测试集三个子集，适用于目标检测算法的训练与评估。该数据集来源于Labelbox标注平台，由Jorge Delgado在converter-tadvm项目中创建，遵循CC BY 4.0许可证授权。数据集的构建旨在支持智能建筑监控系统、工地安全

YOLO11-4K：面向4K全景图像实时小目标检测的高效架构🔍本文核心贡献如下：提出YOLO11-4K高效架构：通过引入P2细粒度检测层与轻量级GhostConv主干网络，实现对4K全景图像的端到端实时检测，在保持精度的同时大幅降低计算负担。

PiscCode实现用 YOLO 给现实世界加上「NPC 血条 HUD」目标：不画检测框，只给被识别到的目标加一个“游戏风格 NPC HUD”：血条（用置信度当 HP）名字 + 百分比

目标跟踪篇多目标跟踪的主要任务是：在给定视频中同时对多个感兴趣的目标进行定位，并且维持他们的ID、记录他们的轨迹。 TBD（Tracking-by-Detection）策略：先检测，后跟踪

YOLO11 公共区域违法发传单检测系统设计与实现针对公共区域中违法发放传单行为频发、人工监管效率低的问题，提出了一种基于 YOLO11 目标检测算法的公共区域违法发传单智能检测系统。该系统以监控视频为数据来源，通过构建包含行人和传单目标的数据集，对 YOLO11 模型进行训练与优化，实现对人员及传单的高精度实时检测。在此基础上，结合目标空间关系与时间连续性特征，设计了一套违法发传单行为判定规则，从而有效区分正常携带物品与实际发传单行为。实验结果表明，该系统在复杂公共场景下具备较高的检测准确率与实时性，能够稳定识别疑似违法发传单行为，具有良好的实用价值和

基于Dify智能体开发平台开发一个目标检测智能体前言在上一篇文章中，我们介绍了关于目标检测的一些基本定义本文我们将基于Dify智能体开发平台讲解目标检测小模型从训练到实际业务落地的全流程

军用装备视觉识别与分类_yolov10n-PST模型详解在目标检测领域，YOLO系列模型一直是大家关注的焦点。从最初的YOLOv1到现在的YOLOv13，每个版本的迭代都带来了不少创新点。今天我们就来详细盘点一下这些模型中的核心技术，看看它们是如何一步步提升检测性能的。

[C#][winform]基于yolov11的淡水鱼种类检测识别系统C#源码+onnx模型+评估指标曲线+精美GUI界面【算法介绍】基于YOLOv11的淡水鱼种类检测系统是一种利用深度学习技术，特别是YOLOv11目标检测算法，实现对淡水鱼种类进行自动识别的高效系统，其支持识别的目标种类涵盖：孟加拉鲳鱼（Bangus）、鳙鱼（Big Head Carp）、黑斑鲃（Black Spotted Barb）、鲶鱼（Catfish）、攀鲈（Climbing Perch）、四指马鲅（Fourfinger Threadfish）、淡水鳗鲡（Freshwater Eel）、玻璃鲈鱼（Glass Perchlet）、虾虎鱼（Goby）、金

面包类型识别与手部检测系统改进_yolov8-ADown实战🎯 嘿，各位AI爱好者们！今天我要和大家分享一个超有趣的项目——面包类型识别与手部检测系统改进！我们使用YOLOv8结合ADown技术，实现了对面包的精准分类和对人手的实时检测。这个项目不仅实用性强，还能应用于智能烘焙、食品安全监控等多个领域。😋 让我们一起来探索这个美味又智能的AI项目吧！

【目标检测软件 02】AirsPy 目标检测系统操作指南目录一、软件简介二、功能概览2.1、多源输入支持2.2、检测与显示2.3 、参数配置2.4 、结果管理

多模态大模型实战：从零实现CLIP与电商跨模态检索系统摘要：本文将撕开多模态大模型的技术面纱，完全从零实现OpenAI CLIP架构，并构建一个支持千万级商品的电商跨模态检索系统。完整代码涵盖Vision Transformer图像编码器、Transformer文本编码器、对比学习损失函数等核心模块，提供海量商品数据增强策略、难负样本挖掘、混合精度训练等生产级优化。实测在Product10K数据集上零样本检索Recall@1达0.823，微调后提升至0.967，延迟控制在15ms以内。

【2026课题推荐】基于小波/互相关/FFT的卡尔曼滤波的轨迹估计，及MATLAB例程的运行结果本文给出当前前沿研究的课题推荐，基于大量的数据整合、识别、归纳和一些个人的想法。试图在导航、定位的方向研究中提供有价值的研究问题，为项目选题奠定基础。个人观点，仅供参考，也欢迎大家共同讨论。

舰船目标检测与识别：基于Mask R-CNN的改进模型_x101-64x4d_fpn_ms-poly_3x_coco实战详解舰船目标检测与识别是海洋监视、海事安全和海洋资源管理等领域的重要技术。随着深度学习的发展，基于卷积神经网络的目标检测算法取得了显著进展。本文将详细介绍如何基于Mask R-CNN的改进模型_x101-64x4d_fpn_ms-poly_3x_coco进行舰船目标检测与识别的实战应用。

城市交通多目标检测系统：YOLO11-MAN-FasterCGLU算法优化与实战应用_3在智能交通系统的发展中，实时、准确的目标检测技术至关重要。城市交通场景复杂多变，车辆、行人、交通标志等多种目标同时存在，且尺寸变化范围大，从远处的小车辆到近处的大行人，给目标检测带来了巨大挑战。本文将详细介绍基于YOLO11的优化算法，结合MAN(Multi-scale Attention Network)和FasterCGLU(Convolutional Gated Linear Unit)技术，构建高效的城市交通多目标检测系统。

基于帧间差分法的运动目标检测 MATLAB 实现使用 MATLAB 实现帧间差分法运动目标检测的完整代码，包含详细注释和可视化界面。帧间差分：计算相邻两帧图像的绝对差值