博客
关于我
Arxiv‘25 | 基于稀疏标注的多光谱行人检测
阅读量:797 次
发布时间:2023-04-05

本文共 464 字,大约阅读时间需要 1 分钟。

论文信息

题目:Multispectral Pedestrian Detection with Sparsely Annotated Label

基于稀疏标注的多光谱行人检测
作者:Chan Lee, Seungho Shin, Gyeong-Moon Park, Jung Uk Kim

论文创新点

本文提出了一种基于稀疏标注的多光谱行人检测方法,主要体现在以下两个关键创新点:

  • 多光谱行人感知自适应权重(MPAW)模块:本模块通过分析不同光谱模态的特性,为高质量伪标签分配更高的权重,从而帮助模型在多光谱数据中更高效地学习。具体而言,MPAW模块通过计算伪标签与真实标签之间的余弦相似度,动态调整各模态的权重,有效降低了低质量伪标签对模型的影响,使得模型在稀疏标注环境中具有更强的鲁棒性。
  • 正伪标签增强(PPE)模块:PPE模块旨在区分高质量和低质量伪标签,从而引导教师模型生成更可靠的标注数据。本模块采用了一种基于特征嵌入的方法,能够有效识别高质量伪标签,并为教师模型提供针对性的改进建议,从而提升标注数据的质量和一致性。
  • 转载地址:http://ytrfk.baihongyu.com/

    你可能感兴趣的文章
    OpenCV与AI深度学习 | 使用OpenCV轮廓检测提取图像前景
    查看>>
    OpenCV与AI深度学习 | 使用Python和OpenCV实现火焰检测(附源码)
    查看>>
    OpenCV与AI深度学习 | 使用PyTorch进行小样本学习的图像分类
    查看>>
    OpenCV与AI深度学习 | 使用YOLO11实现区域内目标跟踪
    查看>>
    OpenCV与AI深度学习 | 使用YOLOv8做目标检测、实例分割和图像分类(包含实例操作代码)
    查看>>
    OpenCV与AI深度学习 | 使用单相机对已知物体进行3D位置估计
    查看>>
    OpenCV与AI深度学习 | 初学者指南 -- 什么是迁移学习?
    查看>>
    OpenCV与AI深度学习 | 十分钟掌握Pytorch搭建神经网络的流程
    查看>>
    OpenCV与AI深度学习 | 基于GAN的零缺陷样本产品表面缺陷检测
    查看>>
    OpenCV与AI深度学习 | 基于OpenCV和深度学习预测年龄和性别
    查看>>
    OpenCV与AI深度学习 | 基于OpenCV实现模糊检测 / 自动对焦
    查看>>
    OpenCV与AI深度学习 | 基于Python和OpenCV将图像转为ASCII艺术效果
    查看>>
    OpenCV与AI深度学习 | 基于PyTorch实现Faster RCNN目标检测
    查看>>
    OpenCV与AI深度学习 | 基于PyTorch语义分割实现洪水识别(数据集 + 源码)
    查看>>
    OpenCV与AI深度学习 | 基于YOLO11的车体部件检测与分割
    查看>>
    OpenCV与AI深度学习 | 基于YoloV11自定义数据集实现车辆事故检测(有源码,建议收藏!)
    查看>>
    OpenCV与AI深度学习 | 基于YOLOv8 + BotSORT实现球员和足球检测与跟踪 (步骤 + 源码)
    查看>>
    OpenCV与AI深度学习 | 基于YOLOv8实现高级目标检测和区域计数
    查看>>
    VS2003 Front Page Server Extension
    查看>>
    OpenCV与AI深度学习 | 基于YOLOv8的停车对齐检测
    查看>>