目标跟踪

【遥感小目标数据集】【AI-TOD】Tiny Object Detection in Aerial Images摘要—近年来，地球视觉中的目标检测取得了巨大进展。然而，航空图像中的微小目标检测仍然是一个非常具有挑战性的问题，因为微小目标包含的像素数量较少，并且容易与背景混淆。为了推动航空图像中微小目标检测的研究，我们提出了一个新的数据集，即航空图像中的微小目标检测数据集（AI-TOD）。具体而言，AI-TOD包含28,036张航空图像中的八类共700,621个目标实例。与现有的航空图像目标检测数据集相比，AI-TOD中目标的平均大小约为12.8像素，远小于其他数据集。为了构建航空图像中微小目标检测的基准，我们在AI

目标检测中归一化的目的？在目标检测任务中，归一化坐标和尺寸时需要除以图像的宽度和高度，主要有以下几个原因：不同图像可能具有不同的宽度和高度。通过将坐标和尺寸除以图像的宽度和高度，可以将所有图像的标注信息统一到相同的尺度范围（[0, 1]）。这使得模型在训练和推理时能够处理任意尺寸的图像，而不需要关心图像的具体像素尺寸。

目标检测20年（二）没有看过（一）的可以看看笔者这篇文章：目标检测20年（一）-CSDN博客目录3.2 目标检测数据集和指标

基于深度学习的目标追踪技术全解析原理与模型：基础架构：双分支共享权重网络，通过互相关层计算模板与搜索区域相似度。经典模型：SiamFC：全卷积实现高效匹配，奠定孪生网络追踪基础。

目标检测20年（一）今天看的文献是《Object Detection in 20 Years: A Survey》，非常经典的一篇目标检测文献，希望通过这篇文章学习到目标检测的基础方法并提供一些创新思想。

探索 CoordGate：空间注意力机制的新视角在深度学习中，特征图的空间注意力机制是提升模型性能的重要技术。近年来，随着视觉任务（如图像分割、目标检测等）的需求不断增长，研究者们提出了多种方法来改进特征的学习和表示。

YOLOv1到YOLOv12发展概述2025.3.17YOLOv1作为开创性的单阶段目标检测算法，将目标检测转化为回归问题，实现了快速高效的目标检测。其核心思想是将输入图像划分为S×S个网格，每个网格负责预测B个边界框及其置信度和C个类别概率。

基于yolov8+streamlit实现目标检测系统带漂亮登录界面【项目介绍】基于YOLOv8和Streamlit实现的目标检测系统，结合了YOLOv8先进的目标检测能力与Streamlit快速构建交互式Web应用的优势，为用户提供了一个功能强大且操作简便的目标检测平台。该系统不仅具备高精度的目标检测功能，还拥有一个漂亮且直观的登录界面，极大地提升了用户体验。

Coovally AI模型快速验证

何恺明团队新突破：用“物理直觉“重构AI视觉系统，去噪神经网络让机器看懂世界规律目录一、导语二、传统AI的物理困境：为何计算机视觉需要“牛顿的思维”？三、DHN的三大革新：物理规律与神经网络的“化学键合”

马甲是掉不了一点的<.<

2022IJCAI：SparseTT，使用稀疏Transformers进行视觉跟踪原文标题：SparseTT: Visual Tracking with Sparse Transformers

沐欣工作室_lvyiyi

基于单片机的防火防盗报警系统设计（论文+源码）本次课题为基于单片机的防火防盗报警系统，其系统采用STC89C52单片机为控制器，并结合SIM800短信模块，DS18B20温度检测模块，MQ-2烟雾检测模块，红外人体检测模块，按键模块，LCD液晶等构成整个系统，在功能上实现了温度检测，烟雾检测，人体检测，当任一检测的参数异常时，会通过蜂鸣器进行报警提醒，并将当前的状态信息，通过短信发送到监护人手机，方便及时进行处理，并且可以通过LCD液晶在本地进行查看，同时用户还可以通过按键修改报警阈值，整个系统架构如图2.1所示。

《 YOLOv5、YOLOv8、YOLO11训练的关键文件：data.yaml文件编写全解》在计算机视觉领域的广袤星空中，目标检测无疑是一颗璀璨的明星，它广泛应用于自动驾驶、智能安防、工业检测、医疗影像分析等众多关键领域，发挥着不可或缺的作用。而 YOLO 系列算法，更是以其独特的 “一次看全（You Only Look Once）” 理念和卓越的性能，在目标检测领域中独树一帜，成为了众多研究者和开发者的首选工具。从最初的 YOLOv1 横空出世，到如今的 YOLOv11 不断革新，每一次的版本迭代，都如同一场激动人心的技术飞跃，为目标检测带来了更为强大的能力和更广泛的应用前景。

深度学习实战车辆目标跟踪与计数本文采用YOLOv8作为核心算法框架，结合PyQt5构建用户界面，使用Python3进行开发。YOLOv8以其高效的实时检测能力，在多个目标检测任务中展现出卓越性能。本研究针对车辆目标数据集进行训练和优化，该数据集包含丰富的车辆目标图像样本，为模型的准确性和泛化能力提供了有力保障。通过深度学习技术，模型能够自动提取车辆目标的特征并进行分类识别。PyQt5界面设计简洁直观，便于用户操作和实时查看检测结果。本研究不仅提高了车辆目标识别的水平，还为车辆目标保护提供了有力支持，具有重要的理论应用价值。

【论文解读】Pose2Seg：无检测人体实例分割（附论文地址）论文：[1803.10683v3] Pose2Seg: Detection Free Human Instance Segmentation

【目标检测】【NeuralPS 2023】Gold-YOLO：通过收集与分发机制实现的高效目标检测器Gold-YOLO： Efficient Object Detector via Gather-and-Distribute Mechanism Gold-YOLO：通过收集与分发机制实现的高效目标检测器

☞黑心萝卜三条杠☜

CrossKD: Cross-Head Knowledge Distillation for Object Detection知识蒸馏（Knowledge Distillation, KD）是一种用于将大型教师模型的知识迁移到小型学生模型的模型压缩技术。在目标检测领域，KD 方法主要分为两类：

A-LOAM工程笔记（一）：工程编译及运行(ubuntu20.04 + ros_noetic)1.编译前准备需要提前安装Ceres solver和opencv和PCL，如果你安装的是完整版ROS那么PCL已经自动安装好了。安装好后将工程克隆到工作目录然后编译：

奔跑吧邓邓子

YOLOv12：目标检测新时代的破局者在计算机视觉领域，目标检测一直是研究的重点与热点，而 YOLO（You Only Look Once）系列模型无疑是其中的璀璨明星。自 2015 年 YOLOv1 诞生以来，YOLO 系列便凭借其独特的单阶段检测架构和端到端的设计理念，在实时目标检测任务中崭露头角，以快速的推理速度和较高的检测精度，广泛应用于自动驾驶、安防监控、工业检测等众多领域，深受研究者和开发者的青睐，在 GitHub 上收获了极高的关注度，其代码被大量的项目所借鉴和使用。

高效空间编码技术：SPD-Conv在目标检测中的创新应用YOLO（You Only Look Once）系列的目标检测算法以其速度和精度兼具的特点，广泛应用于实时目标检测任务。而随着技术的发展，YOLOv8的改进与创新让我们看到了更多可能性。本篇文章将深入探讨YOLOv8在卷积（Conv）模块方面的改进，尤其是SPD-Conv（空间深度转换卷积）这一高效空间编码技术的引入。

DINO-X：一种用于开放世界目标检测与理解的统一视觉模型在本文中，我们介绍了DINO-X，这是一种由IDEA Research团队开发的统一以对象为中心的视觉模型，迄今为止在开放世界目标检测性能方面表现最佳。DINO-X采用了与Grounding DINO 1.5 [47]相同的基于Transformer的编码器-解码器架构，以追求开放世界目标理解的对象级表示。为了简化长尾目标检测，DINO-X扩展了其输入选项，支持文本提示、视觉提示和定制提示。凭借这些灵活的提示选项，我们开发了一种通用目标提示，以支持无需提示的开放世界检测，使得在无需用户提供任何提示的情况下