Ziuch の Blog
首页
搜索
往期整理
历史归档
文章分类
文章标签
关于我
文章
225
分类
3
标签
30
首页
搜索
往期整理
历史归档
文章分类
文章标签
关于我
技术分享
基于图像识别的机场非合作目标跑道侵入行为监视与告警关键技术
发布于: 2024-9-26
最后更新: 2025-1-13
次查看
项目
文章已上锁，请输入访问密码
提交
目录
0%
📝 主旨内容
目标检测 识别 分类
720P分辨率
非合作目标
检测/追踪精度
1. mAP@50（mAP@IoU=0.50）
2. mAP@50-95
3. mAP@50 和 mAP@50-95 的区别
系统交互
csaj
创新点
参考文献
研究内容
视频增强检测
为什么分解后的图片没有颜色信息，但重建后却有
低频存储基准信息
高频存储变化信息
二者结合恢复图像
直观的例子
全局增强模块（GEM，Global Enhancement Module）
Laplacian金字塔分解
GEM的核心架构
残差学习与跳跃连接
轻量化设计
总结
跨层引导模块（CGM，Cross-level Guidance Module）
CGM的核心任务
CGM的输入
特征提取与空间注意力机制
最终的引导信息生成
引导信息的使用
总结
细节增强模块（DEM, Detail Enhancement Module）
DEM的输入
残差学习与仿射变换
DEM的结构
高效性与轻量化设计
DEM的作用
总结
背景和雪图训练
背景图与雪图生成
时间聚类算法
背景和雪图的更新
时间对象检测
雪花/雨滴在前景物体上还是背景上？
运动检测公式
3. 雪花/雨滴去除及修补
3.1 雪花移除
3.2 修复方法
实例分析
远距离雨雪效果增强
局部自适应对比度增强的基本思路
直方图均衡化的原理
改进的局部自适应对比度增强方法
局部对比度增强的关键公式
全局增强控制
算法流程
实例分析
总结
1. 实验目标
2. 实验设计
2.1 实验数据集
2.2 实验步骤
2.3 实验设备
3. 可行性分析
1. 技术可行性
2. 实验可行性
3. 商业与应用可行性
多目标检测
多视角融合
非合作目标的识别跟踪
多目标跟踪的基础步骤
1. 目标检测（识别）
2. 关联（加入到当前轨迹）
关联（Association）问题的挑战
BoT-SORT的改进点
结合IoU和Re-ID的关联策略
改进的卡尔曼滤波器（Kalman Filter）
对“低置信度检测”的处理（Low-confidence Detection）
为什么BoT-SORT的效果好？
1. 输入（Frame_t）
2. 目标检测器（Detector - YOLOX）
3. 深度外观特征提取器（Deep Appearance Extractor - SBS-S50）
4. 卡尔曼滤波器预测边界框（Predicted BB based on KF）
5. 第一次关联（First Association - IoU & Re-ID）
6. 第二次关联（Second Association - IoU）
7. 轨迹管理（Tracklets Management）
8. 可选的后处理步骤（Post-Processing）
总结
研究方法
技术路线
实验方案与可行性分析
开集检测 异常检测
立论依据
（一）概念与内涵
（二）需求分析
（三）国内外研究概况、水平和发展趋势
研究方案
（一）研究目标、研究内容和拟解决的关键问题
（二）拟采取的研究方法、技术路线、实验方案及可行性分析
（三）主要创新点
🤗 总结归纳
📎 参考文章
ziuch
一个普通的干饭人🍚
文章
225
分类
3
标签
30
最新发布
CFM的踩坑指南
2025-3-18
AnomalyPainter——合理，真实，多样我全都要
2025-3-13
拉链异常检测项目
2025-3-11
FastGPT——构建你自己的GPT
2025-3-11
Git常用命令
2025-3-11
MMAD——为大模型出的异常检测试卷
2025-3-6
公告
目录
0%
📝 主旨内容
目标检测 识别 分类
720P分辨率
非合作目标
检测/追踪精度
1. mAP@50（mAP@IoU=0.50）
2. mAP@50-95
3. mAP@50 和 mAP@50-95 的区别
系统交互
csaj
创新点
参考文献
研究内容
视频增强检测
为什么分解后的图片没有颜色信息，但重建后却有
低频存储基准信息
高频存储变化信息
二者结合恢复图像
直观的例子
全局增强模块（GEM，Global Enhancement Module）
Laplacian金字塔分解
GEM的核心架构
残差学习与跳跃连接
轻量化设计
总结
跨层引导模块（CGM，Cross-level Guidance Module）
CGM的核心任务
CGM的输入
特征提取与空间注意力机制
最终的引导信息生成
引导信息的使用
总结
细节增强模块（DEM, Detail Enhancement Module）
DEM的输入
残差学习与仿射变换
DEM的结构
高效性与轻量化设计
DEM的作用
总结
背景和雪图训练
背景图与雪图生成
时间聚类算法
背景和雪图的更新
时间对象检测
雪花/雨滴在前景物体上还是背景上？
运动检测公式
3. 雪花/雨滴去除及修补
3.1 雪花移除
3.2 修复方法
实例分析
远距离雨雪效果增强
局部自适应对比度增强的基本思路
直方图均衡化的原理
改进的局部自适应对比度增强方法
局部对比度增强的关键公式
全局增强控制
算法流程
实例分析
总结
1. 实验目标
2. 实验设计
2.1 实验数据集
2.2 实验步骤
2.3 实验设备
3. 可行性分析
1. 技术可行性
2. 实验可行性
3. 商业与应用可行性
多目标检测
多视角融合
非合作目标的识别跟踪
多目标跟踪的基础步骤
1. 目标检测（识别）
2. 关联（加入到当前轨迹）
关联（Association）问题的挑战
BoT-SORT的改进点
结合IoU和Re-ID的关联策略
改进的卡尔曼滤波器（Kalman Filter）
对“低置信度检测”的处理（Low-confidence Detection）
为什么BoT-SORT的效果好？
1. 输入（Frame_t）
2. 目标检测器（Detector - YOLOX）
3. 深度外观特征提取器（Deep Appearance Extractor - SBS-S50）
4. 卡尔曼滤波器预测边界框（Predicted BB based on KF）
5. 第一次关联（First Association - IoU & Re-ID）
6. 第二次关联（Second Association - IoU）
7. 轨迹管理（Tracklets Management）
8. 可选的后处理步骤（Post-Processing）
总结
研究方法
技术路线
实验方案与可行性分析
开集检测 异常检测
立论依据
（一）概念与内涵
（二）需求分析
（三）国内外研究概况、水平和发展趋势
研究方案
（一）研究目标、研究内容和拟解决的关键问题
（二）拟采取的研究方法、技术路线、实验方案及可行性分析
（三）主要创新点
🤗 总结归纳
📎 参考文章
