目标跟踪

【课题推荐】三模型IMM交互式多模型滤波算法，匀速/左转/右转目标跟踪，附MATLAB代码测试结果本文推荐一个基于 IMM（Interacting Multiple Model，交互式多模型）算法的目标跟踪课题。该课题使用三种典型运动模型对目标进行跟踪，分别为匀速直线运动模型、左转弯模型和右转弯模型。

【基于 YOLOv10 与 PyQt5 的汽车零件缺陷检测系统实战开发】目录前言一、技术栈选型1. 核心算法：YOLOv102. 开发工具二、环境配置三、基础功能实现：检测脚本开发

BiFPN-YOLO：一种集成双向特征金字塔网络的一阶段目标检测方法（英国爱尔兰2025年联合研究）摘要：目标检测是计算机视觉研究的关键组成部分，能够使系统确定给定场景中物体的位置与类型。YOLOv5是一款现代目标检测模型，它在保留原始YOLO实现优势的同时，完全采用Python语言从零构建。本文提出的BiFPNYOLO模型相较现有YOLOv5系列目标检测模型实现了显著改进：不仅用性能更优的双向特征金字塔网络（BiFPN）取代了传统的路径聚合网络（PANet），需对其原始实现进行复杂适配才能与YOLOv5兼容；还通过对比多种激活函数性能，探索了替代标准Swish激活函数的新方案。该模型在德国交通标志检测

断眉的派大星

目标检测中的区域建议(Region Proposal)：高效候选框初筛在目标检测里，区域建议（Region Proposal，也叫候选区域、候选框、RoI proposal）指的是：

【人工智能与机器人研究】基于改进YOLOv11的野外中草药目标检测为解决野外复杂场景下中草药检测存在的小目标漏检、背景干扰大、模型计算冗余等问题，提升检测精度与效率，本文以YOLOv11为基础开展针对性改进研究。方法上，将SPPF模块替换为AIFI模块降低计算复杂度并整合全局信息；采用Dysample模块替代传统上采样，增强遮挡模糊目标的细节恢复能力；新增小目标检测层扩大尺度覆盖，同时嵌入CBAM双注意力模块抑制背景干扰、聚焦关键特征。实验表明，改进模型mAP@0.5为81.2%，较基线YOLOv11n提升2.9个百分点，GPU端FPS为266，参数量仅2.80 M，大

目标检测mAP指标：与生产级精确率/漏检率/误检率的相关性及改造方案在目标检测模型的研发与落地过程中，我们常陷入一个困境：离线训练时mAP（均值平均精度）一路飙升，看似模型性能优异，但部署到生产环境后，却出现误检泛滥、关键目标漏检等问题——这背后的核心矛盾，是mAP作为“全局综合指标”与生产场景“单点硬指标”（精确率、漏检率、误检率）的脱节。

咖啡里的茶i

视觉显著目标的自适应分割与动态网格生成算法研究

基于改进YOLOv8与BiLSTM的智能安防盗窃行为识别系统-融合CBAM注意力机制与ByteTrack多目标跟踪摘要：随着社会经济的快速发展，商场、超市等公共场所的安全防范需求日益增长，传统的人工监控方式存在效率低、成本高、易疲劳等问题，难以满足实时监控和智能预警的需求。基于深度学习的智能视频监控技术为解决这一问题提供了新的思路。本研究针对商场盗窃行为识别这一实际应用场景，设计并实现了一套智能安防系统，旨在提高安防监控的自动化和智能化水平。

基于YOLO11的轨道交通车站客流密度实时监测与拥挤预警系统(数据集+UI界面+训练代码+数据分析)摘要：随着城市轨道交通客流量的不断增加，车站内的拥挤状况已成为影响乘客安全和出行体验的关键因素。为了实现对车站内客流密度的实时监控与拥挤预警，本研究提出了一种基于YOLO11目标检测模型的智能监测系统。该系统通过对车站监控视频进行实时处理，采用YOLO11模型对车站内的乘客进行精确识别与计数，并计算每个区域的客流密度。

轨道交通车站客流YOLO格式检测数据集摘要：本研究使用的数据集由猿创作者团队整理优化，专门针对轨道交通车站客流监控应用场景设计，主要包含车站内行人的常规数据。所有样本均来自真实的轨道交通车站环境，能够有效反映行人在不同场景下的行为模式和复杂性。数据集采用YOLO目标检测标准格式，重点聚焦于行人检测，为轨道交通领域的智能监控与客流分析提供了宝贵的数据资源。

城市环境下车辆目标跟踪算法 MATLAB 实现参考代码城市环境下车辆目标跟踪算法 www.youwenfan.com/contentcsu/63325.html

公共区域传单分发检测数据集（YOLO格式）摘要：本数据集是一个专门针对公共区域发传单行为的目标检测数据集，包含 3,443 张真实场景图像和 6,886 个精确标注框。数据集采用 YOLO 格式标注，涵盖 person（人员）和 leaflet（传单）两个核心类别，旨在支持公共空间中人员与传单交互行为的智能识别与分析。

广州灵眸科技有限公司

瑞芯微(EASY EAI)RV1126B yolov11-track多目标跟踪部署教程YOLO11是 Ultralytics YOLO系列实时物体检测器的最新版本，重新定义了在尖端准确度、速度和效率方面的可能性。在前几代 YOLO 版本的显著进步基础上，YOLO11 在架构和训练方法上引入了重大改进，使其成为广泛计算机视觉任务的灵活选择。

乐迪信息：智慧港口安全，船舶AI视觉检测实现主动预警港口是水上运输的关键节点，每天有大量船舶进出停靠。传统模式下，港口安全管理主要靠人工巡检和视频监控回放，这种方式虽然用了多年，但存在反应慢、漏检率高的问题。人眼看屏幕看久了会疲劳，等到发现异常再去处理，往往已经错过了最佳干预时机。所以，怎么让港口安全从"事后追责"变成"事前预警"，成了行业里的一个现实课题。

用BEV车道线拟合介绍Kalman滤波车道线参数在时序上变化缓慢（除非急转弯），所以可以用运动学预测 + 观测更新的方式，让当前帧的噪声测量不直接影响输出，而是与历史估计融合。

基于双重提示驱动的特征编码用于夜间无人机跟踪https://arxiv.org/pdf/2603.19628摘要 — 鲁棒的特征编码通过实现对目标外观和运动的细腻感知，构成了无人机跟踪的基础，因此在确保可靠跟踪方面起着关键作用。然而，现有的特征编码方法常常忽略了关键的照明和视点线索，而这些线索对于在具有挑战性的夜间条件下进行鲁棒感知至关重要，导致跟踪性能下降。为克服上述局限，本文提出一种双重提示驱动的特征编码方法，该方法集成了提示条件特征自适应和上下文感知提示演化，以促进领域不变的特征编码。具体而言，提出了金字塔光照提示，以提取多尺度频率感知的光照

YOLO26改进| 特征融合 | 小波变换的多尺度特征融合💡💡💡本专栏所有程序均经过测试，可成功执行💡💡💡本文给大家带来的教程是将YOLO26的特征融合替换为WFU来提取特征。文章在介绍主要的原理后，将手把手教学如何进行模块的代码添加和修改，并将修改后的完整代码放在文章的最后，方便大家一键运行，小白也可轻松上手实践。以帮助您更好地学习深度学习目标检测YOLO系列的挑战。

这张生成的图像能检测吗

（论文速读）基于优化的YOLO-BFP和RIoU度量学习的动态尺度感知车辆再识别论文题目：Dynamic scale-aware vehicle re-identification via optimized YOLO-BFP and RIoU metric learning（基于优化的YOLO-BFP和RIoU度量学习的动态尺度感知车辆再识别）

乐迪信息：AI防爆摄像机，船舶偏航逆行算法实时告警零漏检港口航道是船舶进出的关键通道，每天都有大量货轮、油轮、客船从这里经过。航道本身不宽，加上水流、风向、能见度等因素，船舶偏航或者逆行的情况时有发生。一旦处理不及时，轻则造成航道拥堵，重则引发碰撞、搁浅甚至溢油事故。传统的监控手段主要靠人工瞭望和雷达，但人工容易疲劳，雷达在某些场景下也有盲区，所以漏检的情况一直存在。

Linux48：rockx常用的APIrockx框架提供了一系列的人脸识别、检测的API，开发者使用它的API能够快速开发出人脸相关的功能。我们来看看在人脸检测中需要用到的API。